JP2000241539A - Target-tracking device - Google Patents

Abstract

PROBLEM TO BE SOLVED: To improve a tracking accuracy for a target with high mobile power by controlling an interval (sampling interval) for observing the target regarding a target-tracking device for estimating target movement elements such as the position and speed of the target. SOLUTION: A target-observing device 1 is provided to direct target observation time and a target prediction position to a sensor and at the same time acquire the observation information of a target position being observed by the sensor. An evaluation value regarding the target tracking accuracy is compared with a specific threshold to detect tracking accuracy within an observation time calculator 15. When the target tracking accuracy is poor, a sampling interval is reduced. When the accuracy is good, the sampling interval is extended.

Description

【発明の詳細な説明】DETAILED DESCRIPTION OF THE INVENTION

【０００１】[0001]

【発明の属する技術分野】本発明は、センサ等からの目
標の位置情報に関する観測データに基づいて目標の位置
や速度などの目標運動諸元を推定する目標追尾装置に係
り、目標を観測する間隔(サンプリング間隔)を制御する
ことで、機動力の高い目標に対する追尾精度を向上させ
た目標追尾装置に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a target tracking device for estimating target movement parameters such as target position and speed based on observation data on target position information from a sensor or the like, and an interval for observing the target. The present invention relates to a target tracking device that improves tracking accuracy for a target with high mobility by controlling (sampling interval).

【０００２】[0002]

【従来の技術】図７は、特開平１−９２６７８号公報に
開示された従来の目標追尾装置を示すブロック図であ
る。また、図８は、図７に示す目標追尾装置の動作を説
明するためのフローチャートを示す。以下、図７を参照
して従来の目標追尾装置の構成を説明する。2. Description of the Related Art FIG. 7 is a block diagram showing a conventional target tracking device disclosed in Japanese Patent Application Laid-Open No. 1-92678. FIG. 8 is a flowchart for explaining the operation of the target tracking device shown in FIG. Hereinafter, the configuration of the conventional target tracking device will be described with reference to FIG.

【０００３】目標観測装置１は、目標の予測位置をセン
サ（図示せず）に指示すると共に、センサが観測する目
標位置に関する観測情報（以下、「目標位置観測情報」
と称す）を取得するものである。[0003] The target observing apparatus 1 instructs a sensor (not shown) of a predicted position of a target, and obtains observation information on a target position observed by the sensor (hereinafter, "target position observation information").
).

【０００４】Ｎ個の運動モデルによる信頼度算出器２
（以下、単に「信頼度算出器」と称す）は、上述した目
標位置観測情報、運動モデルごとの予測値、運動モデル
ごとの予測誤差、および１サンプリング前の各運動モデ
ルの信頼度を基に、Ｎ個の運動モデルによる信頼度を算
出するものである。１３は遅延回路であり、信頼度算出
器２によって算出された信頼度を単位時間だけ遅延させ
て信頼度算出器２に入力するものである。A reliability calculator 2 using N motion models
(Hereinafter, simply referred to as “reliability calculator”) is based on the target position observation information, the predicted value for each motion model, the prediction error for each motion model, and the reliability of each motion model one sampling before. , N motion models. Reference numeral 13 denotes a delay circuit that delays the reliability calculated by the reliability calculator 2 by a unit time and inputs the result to the reliability calculator 2.

【０００５】Ｎ個の運動モデルによる平滑器３（以下、
単に「平滑器３」と称す）は、上述した目標位置観測情
報、各運動モデルの信頼度、運動モデルごとの予測値、
ゲイン行列、および１サンプリング前のＮ個の運動モデ
ルによる平滑値を基に、Ｎ個の運動モデルによる平滑値
を算出するものである。４は遅延回路であり、平滑器３
によって算出された平滑値を単位時間だけ遅延させて平
滑器３に入力するものである。A smoother 3 based on N motion models (hereinafter, referred to as a smoother 3)
Simply referred to as “smoothing device 3”), the target position observation information, the reliability of each motion model, the predicted value for each motion model,
A smoothed value based on the N motion models is calculated based on the gain matrix and the smoothed values based on the N motion models before one sampling. Reference numeral 4 denotes a delay circuit,
The smoothed value calculated by the above is delayed by a unit time and input to the smoother 3.

【０００６】Ｎ個の運動モデルによる予測器５（以下、
単に「予測器５」と称す）は、上記Ｎ個の運動モデルに
よる平滑値を基に、Ｎ個の運動モデルによる予測位置を
算出するものである。１４は遅延回路であり、予測器５
によって算出された予測位置を単位時間だけ遅延させて
目標観測装置１に入力するものである。A predictor 5 based on N motion models (hereinafter referred to as a predictor 5)
The “predictor 5” simply calculates a predicted position based on the N motion models based on the smoothed values based on the N motion models. Reference numeral 14 denotes a delay circuit, which is a predictor 5
The predicted position calculated by the above is delayed by a unit time and input to the target observation device 1.

【０００７】運動モデルごとの予測器６は、上述したＮ
個の運動モデルによる平滑値を基に、運動モデルごとの
予測値を算出するものである。７は遅延回路であり、運
動モデルごとの予測器６によって算出された運動モデル
ごとの予測値を遅延させて信頼度算出器２に入力するも
のである。The predictor 6 for each motion model uses the above-described N
The prediction value for each motion model is calculated based on the smoothed values of the individual motion models. Reference numeral 7 denotes a delay circuit that delays a predicted value for each motion model calculated by the predictor 6 for each motion model and inputs the value to the reliability calculator 2.

【０００８】Ｎ個の運動モデルによる平滑誤差評価器９
（以下、単に「平滑誤差評価器９」と称す）は、上述し
た各運動モデルの信頼度、運動モデルごとの予測誤差、
およびゲイン行列を基に、Ｎ個の運動モデルによる平滑
誤差を算出するものである。A smoothing error evaluator 9 based on N motion models
(Hereinafter, simply referred to as “smoothing error evaluator 9”) includes the reliability of each motion model described above, the prediction error for each motion model,
And a smoothing error based on the N motion models based on the gain matrix.

【０００９】運動モデルごとの予測誤差評価器１０は、
上記Ｎ個の運動モデルによる平滑誤差を基に、運動モデ
ルごとの予測誤差を算出するものである。８は遅延回路
であり、運動モデルごとの予測誤差評価器10によって算
出された運動モデルごとの予測誤差を遅延させて、信頼
度算出器２、平滑誤差評価器９、およびゲイン行列算出
器12に入力するものである。The prediction error evaluator 10 for each motion model
The prediction error is calculated for each motion model based on the smoothing errors of the N motion models. Reference numeral 8 denotes a delay circuit that delays the prediction error for each motion model calculated by the prediction error evaluator 10 for each motion model and sends the result to the reliability calculator 2, the smoothing error evaluator 9, and the gain matrix calculator 12. What you enter.

【００１０】Ｎ個の運動モデルによる予測誤差評価器１
１（以下、単に「予測誤差評価器１１」と称す）は、上
述した運動モデルごとの予測誤差、および各運動モデル
の信頼度を基に、Ｎ個の運動モデルによる予測誤差を算
出するものである。ゲイン行列算出器12は、上述した運
動モデルごとの予測誤差を基に、ゲイン行列を算出する
ものである。A prediction error evaluator 1 based on N motion models
1 (hereinafter, simply referred to as “prediction error evaluator 11”) calculates prediction errors by N motion models based on the above-described prediction errors for each motion model and the reliability of each motion model. is there. The gain matrix calculator 12 calculates a gain matrix based on the above-described prediction error for each motion model.

【００１１】次に図８に示すフローチャートを参照して
従来の目標追尾装置の動作について説明する。目標追尾
装置では、先ず、目標観測装置１より得られる目標位置
観測情報を基に、通常のカルマンフィルタ理論に基づ
き、目標位置・速度の平滑値、および平滑誤差共分散行
列の初期値が設定される（ＳＴ１）。Next, the operation of the conventional target tracking device will be described with reference to the flowchart shown in FIG. In the target tracking device, first, based on the target position observation information obtained from the target observation device 1, a smoothed value of the target position / velocity and an initial value of the smoothed error covariance matrix are set based on the ordinary Kalman filter theory. (ST1).

【００１２】次に、目標の運動モデルとして、図９に示
すようなＮ個の定数加速度ベクトル（零加速度ベクトル
を含む）よりなるＮ個の運動モデルが設定設定される
（ＳＴ２）。Next, N motion models including N constant acceleration vectors (including zero acceleration vectors) as shown in FIG. 9 are set and set as target motion models (ST2).

【００１３】次に、運動モデルごとの予測器６におい
て、平滑器３より入力されるＮ個の運動モデルによる平
滑値、およびＮ個の運動モデルを構成している定数加速
度ベクトルに基づいて、運動モデルごとの予測値が算出
される。更に、運動モデルごとの予測誤差評価器１０に
おいて、平滑誤差評価器９より入力されるＮ個の運動モ
デルによる平滑誤差共分散行列、および予め設定された
駆動雑音共分散行列に基づいて、運動モデルごとの予測
誤差共分散行列が算出される（ＳＴ３）。Next, in the predictor 6 for each motion model, the motion is calculated based on the smoothed values of the N motion models input from the smoother 3 and the constant acceleration vectors constituting the N motion models. A predicted value for each model is calculated. Further, in the prediction error evaluator 10 for each motion model, based on the smoothing error covariance matrix based on the N motion models input from the smoothing error evaluator 9 and a preset driving noise covariance matrix, A prediction error covariance matrix is calculated for each (ST3).

【００１４】次に、予測器５において、平滑器３から出
力されるＮ個の運動モデルによる平滑値、および信頼度
算出器２から出力される各運動モデルの信頼度が読み込
まれる。予測器５は、それらの入力データ、予め設定さ
れている推移確率（目標の運動状態に適合する運動モデ
ルが推移する確率）、および定数加速度ベクトルに基づ
いて、Ｎ個の運動モデルによる予測値を算出する。Next, the predictor 5 reads the smoothed values of the N motion models output from the smoother 3 and the reliability of each motion model output from the reliability calculator 2. The predictor 5 calculates a predicted value of N motion models based on the input data, a predetermined transition probability (probability that a motion model conforming to a target motion state transits), and a constant acceleration vector. calculate.

【００１５】また、予測誤差評価器１１においては、運
動モデルごとの予測誤差評価器１０から出力される運動
モデルごとの予測誤差共分散行列、および信頼度算出器
２から出力される各運動モデルの信頼度が読み込まれ
る。予測誤差評価器１１は、それらの入力データ、予め
設定されている推移確率、および定数加速度ベクトルに
基づいて、Ｎ個の運動モデルによる予測誤差共分散行列
が算出される（ＳＴ４）。In the prediction error evaluator 11, the prediction error covariance matrix for each motion model output from the prediction error evaluator 10 for each motion model and the motion model of each motion model output from the reliability calculator 2 are calculated. The reliability is read. The prediction error evaluator 11 calculates a prediction error covariance matrix based on the N motion models based on the input data, the predetermined transition probability, and the constant acceleration vector (ST4).

【００１６】次に、目標観測装置１において、観測値が
読み込まれる（ＳＴ５）。上記の観測値は、目標からの
信号の検出結果であり、位置情報で構成されている。Next, the target observation device 1 reads an observation value (ST5). The above-mentioned observation value is a detection result of a signal from a target, and is constituted by position information.

【００１７】目標観測装置１で観測された観測値は、信
頼度算出器２に供給される。信頼度算出器２は、更に、
現時刻より１サンプリング前に算出した各運動モデルの
信頼度を遅延回路１３を介して読み込み、運動モデルご
との予測器６が現時刻より１サンプリング前に算出した
運動モデルごとの予測値を遅延回路７を介して読み込
み、運動モデルごとの予測誤差評価器１０が現時刻より
１サンプリング前に算出した運動モデルごとの予測誤差
共分散行列を遅延回路8を介して読み込む。信頼度算出
器２は、それらの入力データと、予め設定されている観
測雑音共分散行列および運動モデルの推移確率とに基づ
いて、運動モデルの信頼度を算出する（ＳＴ６）。The observation value observed by the target observation device 1 is supplied to a reliability calculator 2. The reliability calculator 2 further includes:
The reliability of each motion model calculated one sampling before the current time is read through the delay circuit 13, and the predictor 6 for each motion model calculates the predicted value for each motion model calculated one sampling before the current time for the delay circuit. 7, and the prediction error evaluator 10 for each motion model reads, via the delay circuit 8, the prediction error covariance matrix for each motion model calculated one sampling before the current time. The reliability calculator 2 calculates the reliability of the motion model based on the input data, the observation noise covariance matrix set in advance, and the transition probability of the motion model (ST6).

【００１８】次に、ゲイン行列算出器１２において、運
動モデルごとの予測誤差評価器１０が現時刻より１サン
プリング前に算出した運動モデルごとの予測誤差共分散
行列が遅延回路8を介して読み込まれる。ゲイン行列算
出器１２は、その入力データと、予め設定された観測雑
音共分散行列とに基づいてゲイン行列を算出する（ＳＴ
７）。Next, in the gain matrix calculator 12, the prediction error covariance matrix for each motion model calculated one sampling before the current time by the prediction error evaluator 10 for each motion model is read via the delay circuit 8. . Gain matrix calculator 12 calculates a gain matrix based on the input data and a preset observation noise covariance matrix (ST).
7).

【００１９】次に、平滑器３において、現時刻より１サ
ンプリング前に算出しておいたＮ個の運動モデルによる
平滑値が遅延回路4を介して読み込まれる。平滑器３
は、更に、信頼度算出器２が出力する各運動モデルの信
頼度、ゲイン行列算出器１２が出力するゲイン行列、お
よび目標観測装置１が出力する観測値を読み込む。平滑
器３は、それらの入力データと、予め設定されている定
数加速度ベクトルとに基づいてＮ個の運動モデルによる
平滑値を算出する。Next, the smoothing unit 3 reads the smoothed values of the N motion models calculated one sampling before the current time via the delay circuit 4. Smoother 3
Reads the reliability of each motion model output by the reliability calculator 2, the gain matrix output by the gain matrix calculator 12, and the observation value output by the target observation device 1. The smoother 3 calculates a smoothed value based on the N motion models based on the input data and a preset constant acceleration vector.

【００２０】また、平滑誤差評価器９においては、信頼
度算出器２から出力される各運動モデルの信頼度が読み
込まれる。平滑誤差評価器９は、更に、運動モデルごと
の予測誤差評価器１０が現時刻より１サンプリング前に
算出した運動モデルごとの予測誤差共分散行列を遅延回
路８を介して読み込み、ゲイン行列算出器１２から出力
されるゲイン行列を読み込む。平滑誤差評価器９は、そ
れらの入力データと、あらかじめ設定されている定数加
速度ベクトルとに基づいて、Ｎ個の運動モデルによる平
滑誤差共分散行列を算出する（ＳＴ８）。In the smoothing error evaluator 9, the reliability of each motion model output from the reliability calculator 2 is read. The smoothing error evaluator 9 further reads, via the delay circuit 8, the prediction error covariance matrix for each motion model calculated by the prediction error evaluator 10 for each motion model one sampling before the current time via the delay circuit 8, and obtains a gain matrix calculator. The gain matrix output from 12 is read. The smoothing error evaluator 9 calculates a smoothing error covariance matrix based on the N motion models based on the input data and a preset constant acceleration vector (ST8).

【００２１】上述した一連の処理が終了すると、追尾処
理の終了が要求されているか否かが判別される（ＳＴ１
０）。その結果、処理の終了が要求されていないと判別
される場合は、所定のサンプリング間隔で、上記ＳＴ３
以降の処理が繰り返し実行される。When the series of processes described above is completed, it is determined whether or not the end of the tracking process is requested (ST1).
0). As a result, if it is determined that the end of the processing has not been requested, the ST3 is executed at a predetermined sampling interval.
Subsequent processing is repeatedly executed.

【００２２】[0022]

【発明が解決しようとする課題】従来の目標追尾装置は
以上のように、目標追尾に必要な一連の処理を所定のサ
ンプリング間隔で繰り返すように構成されている。サン
プリング間隔が常に一定であると、旋回運動や直進運動
をおり混ぜた運動を行う機動力の高い目標が、精度良く
追尾できない事態が生じ得る。この点、従来の目標追尾
装置は、機動性に優れた目標に対する追尾精度を劣化さ
せ易いという問題を有するものであった。As described above, the conventional target tracking device is configured to repeat a series of processes required for target tracking at a predetermined sampling interval. If the sampling interval is always constant, a situation may occur in which a highly mobile target that performs a mixed motion including a turning motion and a straight-line motion cannot be accurately tracked. In this regard, the conventional target tracking device has a problem that tracking accuracy for a target having excellent mobility is easily deteriorated.

【００２３】本発明は、上記のような課題を解決するた
めになされたもので、目標追尾精度に合わせて適応的に
サンプリング間隔を制御することで、追尾対象が機動力
の高い目標であっても、追尾精度をある水準に保ちなが
ら追尾を行うことができる目標追尾装置を提供すること
を目的とする。SUMMARY OF THE INVENTION The present invention has been made to solve the above-described problems. By adaptively controlling the sampling interval in accordance with the target tracking accuracy, the tracking target is a target having high mobility. It is another object of the present invention to provide a target tracking device capable of performing tracking while maintaining tracking accuracy at a certain level.

【００２４】[0024]

【課題を解決するための手段】請求項１記載の発明は、
目標観測時刻と目標予測位置とをセンサに指示すると共
に、センサによって観測される目標位置の観測情報を取
得する目標観測装置を備える目標追尾装置であって、目
標追尾精度を検出する追尾精度検出手段と、前記目標追
尾精度に基づいて前記観測情報のサンプリング間隔を決
定すると共に、そのサンプリング間隔を用いて、次回の
観測時刻を算出する観測時刻算出手段と、を備えること
を特徴とするものである。According to the first aspect of the present invention,
A target tracking device comprising a target observation device for instructing a sensor on a target observation time and a target predicted position and acquiring observation information on a target position observed by the sensor, wherein a tracking accuracy detection means for detecting a target tracking accuracy And an observation time calculating means for determining a sampling interval of the observation information based on the target tracking accuracy and calculating a next observation time using the sampling interval. .

【００２５】請求項２記載の発明は、請求項１記載の目
標追尾装置であって、前記追尾精度検出手段は、目標位
置観測情報、運動モデルごとの予測値、運動モデルごと
の予測誤差、運動モデル間推移確率、および１サンプリ
ング前のＮ個の運動モデルによる信頼度を基に、Ｎ個の
運動モデルによる信頼度を算出するＮ個の運動モデルに
よる信頼度算出器と、目標位置観測情報、Ｎ個の運動モ
デルによる信頼度、ゲイン行列、および１サンプリング
前のＮ個の運動モデルによる平滑値を基に、Ｎ個の運動
モデルによる平滑値を算出するＮ個の運動モデルによる
平滑器と、Ｎ個の運動モデルによる平滑値、Ｎ個の運動
モデルによる信頼度、１サンプリング後の観測時刻、お
よび運動モデル間推移確率を基に、Ｎ個の運動モデルに
よる予測値を算出するＮ個の運動モデルによる予測器
と、Ｎ個の運動モデルによる平滑値、および１サンプリ
ング後の観測時刻を基に、運動モデルごとの予測値を算
出する運動モデルごとの予測器と、Ｎ個の運動モデルに
よる信頼度、運動モデルごとの予測誤差、およびゲイン
行列を基に、Ｎ個の運動モデルによる平滑誤差を算出す
るＮ個の運動モデルによる平滑誤差評価器と、Ｎ個の運
動モデルによる平滑誤差および１サンプリング後の観測
時刻を基に、運動モデルごとの予測誤差を算出する運動
モデルごとの予測誤差評価器と、運動モデルごとの予測
誤差を基に、ゲイン行列を算出するゲイン行列算出器
と、運動モデルごとの予測誤差、Ｎ個の運動モデルによ
る信頼度、１サンプリング後の観測時刻および運動モデ
ル間推移確率を基に、Ｎ個の運動モデルによる予測誤差
を算出するＮ個の運動モデルによる予測誤差評価器と、
現在の観測時刻と次の観測時刻との間における運動モデ
ル間の推移確率を算出する運動モデル間推移確率算出器
と、を備え、Ｎ個の運動モデルによる予測値と、Ｎ個の
運動モデルによる予測誤差とに基づいて、目標追尾精度
求めることを特徴とするものである。According to a second aspect of the present invention, there is provided the target tracking apparatus according to the first aspect, wherein the tracking accuracy detecting means includes target position observation information, a predicted value for each motion model, a prediction error for each motion model, and a motion. A reliability calculator based on N motion models for calculating the reliability based on the N motion models based on the inter-model transition probabilities and the reliability based on the N motion models one sample before, and target position observation information; A smoother based on the N motion models for calculating a smoothed value based on the N motion models based on the reliability based on the N motion models, a gain matrix, and a smoothed value based on the N motion models one sample before; Calculate predicted values from N motion models based on smoothed values from N motion models, reliability from N motion models, observation time after sampling, and transition probability between motion models A predictor based on N motion models, a predictor for each motion model that calculates a predicted value for each motion model based on a smoothed value based on the N motion models, and an observation time after one sampling; A smoothing error evaluator based on N motion models for calculating a smoothing error based on N motion models based on the reliability of the motion model, a prediction error for each motion model, and a gain matrix. A prediction error evaluator for each motion model that calculates a prediction error for each motion model based on the smoothing error and an observation time after one sampling, and a gain matrix calculation that calculates a gain matrix based on the prediction error for each motion model N motion models based on the detector, the prediction error for each motion model, the reliability of the N motion models, the observation time after sampling, and the transition probability between the motion models. And the prediction error estimator according to the N motion model to calculate a prediction error by,
An inter-motion model transition probability calculator that calculates the inter-motion model transition probability between the current observation time and the next observation time, and a prediction value based on the N motion models and an N motion model. It is characterized in that a target tracking accuracy is obtained based on a prediction error.

【００２６】請求項３記載の発明は、請求項２記載の目
標追尾装置であって、前記追尾精度検出手段は、センサ
の状態を表すセンサ諸元を読み込むセンサ諸元入力器を
備えると共に、Ｎ個の運動モデルによる予測値と、Ｎ個
の運動モデルによる予測誤差と、センサ諸元とに基づい
て、目標追尾精度求めることを特徴とするものである。According to a third aspect of the present invention, there is provided the target tracking apparatus according to the second aspect, wherein the tracking accuracy detecting means includes a sensor specification input device for reading a sensor specification indicating a state of the sensor. It is characterized in that a target tracking accuracy is obtained based on a prediction value based on the N motion models, a prediction error based on the N motion models, and sensor specifications.

【００２７】請求項４記載の発明は、請求項２または３
記載の目標追尾装置であって、前記観測時刻算出手段
は、サンプリング間隔を最小サンプリング間隔ごとに延
長させる間隔再設定手段と、サンプリング間隔が延長さ
れる毎に、Ｎ個の運動モデルによる予測値と、Ｎ個の運
動モデルによる予測誤差とを更新する予測更新手段と、
を備え、前記目標追尾精度算出手段は、前記Ｎ個の運動
モデルによる予測値、および前記Ｎ個の運動モデルによ
る予測誤差が更新される毎に、目標追尾精度の評価値を
算出する評価値算出手段と、前記評価値と所定のしきい
値とを比較するしきい値判定手段と、を備え、前記観測
時刻算出手段は、更に、前記しきい値判定手段によって
前記評価値と前記しきい値の大小関係の逆転が判別され
た際のサンプリング間隔を、次のサンプリング間隔とす
ることを特徴とするものである。The invention described in claim 4 is the second or third invention.
In the target tracking device according to the above, the observation time calculation unit includes an interval resetting unit that extends a sampling interval every minimum sampling interval, and a prediction value based on N motion models each time the sampling interval is extended. , A prediction updating means for updating the prediction error by the N motion models,
Wherein the target tracking accuracy calculation means calculates an evaluation value of the target tracking accuracy each time a prediction value based on the N motion models and a prediction error based on the N motion models are updated. Means, and a threshold value judging means for comparing the evaluation value with a predetermined threshold value, wherein the observation time calculating means further comprises: The sampling interval when the reversal of the magnitude relationship is determined is the next sampling interval.

【００２８】請求項５記載の発明は、請求項２記載の目
標追尾装置であって、前記追尾精度算出手段は、Ｎ個の
運動モデルによる予測誤差共分散行列に基づいて演算さ
れる誤差楕円体の体積を評価値とする評価値設定手段
と、観測誤差共分散行列に基づいて演算される誤差楕円
体の体積をしきい値とするしきい値設定手段と、前記評
価値と前記しきい値とを比較することにより追尾精度の
状態を判断するしきい値判定手段と、を備えることを特
徴とするものである。According to a fifth aspect of the present invention, there is provided the target tracking apparatus according to the second aspect, wherein the tracking accuracy calculating means calculates an error ellipsoid based on a prediction error covariance matrix based on N motion models. Evaluation value setting means for setting the volume of the evaluation value as an evaluation value, threshold value setting means for setting the volume of the error ellipsoid calculated based on the observation error covariance matrix as a threshold value, the evaluation value and the threshold value And threshold value determination means for determining the state of tracking accuracy by comparing

【００２９】請求項６記載の発明は、請求項３記載の目
標追尾装置であって、前記センサ諸元は、極座標面にお
けるセンサの観測領域の面積を含み、前記追尾精度算出
手段は、Ｎ個の運動モデルによる予測誤差共分散行列に
基づいて演算される誤差楕円体の極座標面での面積を評
価値とする評価値設定手段と、前記センサ諸元に含まれ
る観測領域の面積に基づいてしきい値を設定するしきい
値設定手段と、前記評価値と前記しきい値とを比較する
ことにより追尾精度の状態を判断するしきい値判定手段
と、を備えることを特徴とするものである。According to a sixth aspect of the present invention, there is provided the target tracking apparatus according to the third aspect, wherein the sensor specifications include an area of a sensor observation area on a polar coordinate plane, and the tracking accuracy calculating means includes N tracking accuracy calculating means. Evaluation value setting means for evaluating the area on the polar coordinate plane of the error ellipsoid calculated based on the prediction error covariance matrix by the motion model of the motion model, based on the area of the observation area included in the sensor specifications. Threshold value setting means for setting a threshold value; and threshold value determining means for determining a state of tracking accuracy by comparing the evaluation value with the threshold value. .

【００３０】請求項７記載の発明は、請求項３記載の目
標追尾装置であって、前記センサ諸元は、極座標面にお
けるセンサの観測領域の幅を含み、前記追尾精度算出手
段は、Ｎ個の運動モデルによる予測誤差共分散行列に基
づいて演算される誤差楕円体の極座標面での長軸直径を
評価値とする評価値設定手段と、前記センサ諸元に含ま
れる観測領域の幅に基づいてしきい値を設定するしきい
値設定手段と、前記評価値と前記しきい値とを比較する
ことにより追尾精度の状態を判断するしきい値判定手段
と、を備えることを特徴とするものである。According to a seventh aspect of the present invention, there is provided the target tracking apparatus according to the third aspect, wherein the sensor specifications include a width of a sensor observation area on a polar coordinate plane, and the tracking accuracy calculating means includes N tracking accuracy calculating means. Evaluation value setting means for evaluating the major axis diameter in the polar coordinate plane of the error ellipsoid calculated based on the prediction error covariance matrix by the motion model of the motion model, and based on the width of the observation area included in the sensor specifications Threshold value setting means for setting a threshold value, and threshold value judging means for judging a state of tracking accuracy by comparing the evaluation value with the threshold value. It is.

【００３１】[0031]

【発明の実施の形態】以下、図面を参照してこの発明の
実施の形態について説明する。尚、各図において共通す
る要素には、同一の符号を付して重複する説明を省略す
る。Embodiments of the present invention will be described below with reference to the drawings. Elements common to the drawings are denoted by the same reference numerals, and redundant description will be omitted.

【００３２】実施の形態１。図１は、本発明の目標追尾
装置の実施の形態１を示すブロック図である。図１にお
いて、目標観測装置１は、センサ（図示せず）に対して
目標の予測位置を指示すると共に、センサが観測する目
標位置に関する観測情報（以下、「目標位置観測情報」
と称す）を取得する。Embodiment 1 FIG. 1 is a block diagram showing Embodiment 1 of the target tracking device of the present invention. In FIG. 1, a target observation device 1 instructs a sensor (not shown) of a predicted position of a target and observation information on a target position observed by the sensor (hereinafter, “target position observation information”).
).

【００３３】Ｎ個の運動モデルによる信頼度算出器２
（以下、単に「信頼度算出器」と称す）は、上述した目
標位置観測情報、運動モデルごとの予測値、運動モデル
ごとの予測誤差、および１サンプリング前の各運動モデ
ルの信頼度を基に、Ｎ個の運動モデルによる信頼度を算
出する。Reliability calculator 2 based on N motion models
(Hereinafter, simply referred to as “reliability calculator”) is based on the target position observation information, the predicted value for each motion model, the prediction error for each motion model, and the reliability of each motion model one sampling before. , And N motion models.

【００３４】Ｎ個の運動モデルによる平滑器３（以下、
単に「平滑器３」と称す）は、上述した目標位置観測情
報、Ｎ個の運動モデルによる信頼度、ゲイン行列、およ
び１サンプリング前のＮ個の運動モデルによる平滑値を
基に、Ｎ個の運動モデルによる平滑値を算出する。A smoother 3 based on N motion models (hereinafter referred to as a smoother 3)
Based on the target position observation information, reliability based on N motion models, a gain matrix, and smoothed values based on N motion models one sampling before, N number of N Calculate a smooth value by the motion model.

【００３５】Ｎ個の運動モデルによる予測器５（以下、
単に「予測器５」と称す）は、上述したＮ個の運動モデ
ルによる平滑値、Ｎ個の運動モデルによる信頼度、およ
び１サンプリング後の観測時刻に基づいて、Ｎ個の運動
モデルによる予測値を算出する。A predictor 5 based on N motion models (hereinafter referred to as a predictor 5)
The “predictor 5” is simply a predicted value based on the N motion models based on the smoothed values obtained by the N motion models described above, the reliability based on the N motion models, and the observation time after one sampling. Is calculated.

【００３６】運動モデルごとの予測器６は、Ｎ個の運動
モデルによる平滑値、および１サンプリング後の観測時
刻に基づいて、運動モデルごとの予測値を算出する。The predictor 6 for each motion model calculates a predicted value for each motion model based on the smoothed values of the N motion models and the observation time after one sampling.

【００３７】Ｎ個の運動モデルによる平滑誤差評価器９
（以下、単に「平滑誤差評価器９」と称す）は、Ｎ個の
運動モデルによる信頼度、運動モデルごとの予測誤差、
およびゲイン行列に基づいて、Ｎ個の運動モデルによる
平滑誤差を算出する。A smoothing error estimator 9 based on N motion models
(Hereinafter, simply referred to as “smoothing error evaluator 9”) includes reliability based on N motion models, prediction error for each motion model,
And a smoothing error based on the N motion models based on the gain matrix.

【００３８】運動モデルごとの予測誤差評価器１０は、
Ｎ個の運動モデルによる平滑誤差、および１サンプリン
グ後の観測時刻に基づいて、運動モデルごとの予測誤差
を算出する。The prediction error evaluator 10 for each motion model
A prediction error for each motion model is calculated based on the smoothing error by the N motion models and the observation time after one sampling.

【００３９】Ｎ個の運動モデルによる予測誤差評価器１
１は、運動モデルごとの予測誤差、Ｎ個の運動モデルに
よる信頼度、および１サンプリング後の観測時刻に基づ
いて、Ｎ個の運動モデルによる予測誤差を算出する。Prediction error evaluator 1 based on N motion models
1 calculates a prediction error based on the N motion models based on the prediction error for each motion model, the reliability based on the N motion models, and the observation time after one sampling.

【００４０】ゲイン行列算出器１２は、運動モデルごと
の予測誤差を基に、ゲイン行列を算出する。The gain matrix calculator 12 calculates a gain matrix based on a prediction error for each motion model.

【００４１】観測時刻算出器１５は、Ｎ個の運動モデル
による信頼度、Ｎ個の運動モデルによる平滑値、および
Ｎ個の運動モデルによる平滑誤差に基づいて、次回のサ
ンプリング（目標観測）が行われる時刻（観測時刻）を
算出する。The observation time calculator 15 performs the next sampling (target observation) based on the reliability of the N motion models, the smoothed value of the N motion models, and the smoothing error of the N motion models. Calculated time (observation time).

【００４２】運動モデル間推移確率算出器１６は、観測
時刻算出器１５の出力する観測時刻に基づいて、現在の
観測時刻と次回の観測時刻との差からサンプリング間隔
を算出し、このサンプリング間隔における運動モデル間
の推移確率を算出する。The inter-motion model transition probability calculator 16 calculates a sampling interval from the difference between the current observation time and the next observation time based on the observation time output from the observation time calculator 15, and calculates the sampling interval in this sampling interval. Calculate the transition probability between exercise models.

【００４３】次に、本実施形態の目標追尾装置におい
て、追尾フィルタとして用いられるＮ個の運動モデルを
持つカルマンフィルタについて説明する。カルマンフィ
ルタにおいては、目標の運動モデルを式(15)のように定
義する。 Ｘk＝Φk-1・Ｘk-1＋Γk-1・ωk-1＋Γ′k-1・ｕk-1 (15)Next, a Kalman filter having N motion models used as a tracking filter in the target tracking device of the present embodiment will be described. In the Kalman filter, a target motion model is defined as in Expression (15). Xk = Φk-1 · Xk-1 + Γk-1 · ωk-1 + Γ'k-1 · uk-1 (15)

【００４４】上記(15)式において、Ｘkは、サンプリン
グ時刻ｔkにおける目標運動諸元の真値をあらわす次元
状態ベクトルである。例えば、xyzの直交座標系におけ
る目標位置ベクトルを式(16)、直交座標系における目標
速度ベクトルを式(17)とした時、Ｘkは式(18)で表され
る。In the above formula (15), Xk is a dimensional state vector representing the true value of the target motion data at the sampling time tk. For example, when the target position vector in the orthogonal coordinate system of xyz is expressed by Expression (16) and the target speed vector in the orthogonal coordinate system is expressed by Expression (17), Xk is expressed by Expression (18).

【００４５】[0045]

【数１】 (Equation 1)

【００４６】上記(15)式において、Φk-1は、サンプリ
ング時刻の変化（ｔk-1からｔk）に伴う状態ベクトルＸ
kの推移を表す推移行列で、目標が等速直線運動を行う
と仮定した場合式(19)のように表される。尚、式(19)で
用いられるＩは、式(20)で表される単位行列である。In the above equation (15), Φk-1 is the state vector X due to the change of the sampling time (from tk-1 to tk).
A transition matrix representing the transition of k, assuming that the target performs a constant-velocity linear motion, and is represented by Expression (19). Note that I used in Expression (19) is a unit matrix represented by Expression (20).

【００４７】[0047]

【数２】 (Equation 2)

【００４８】上記(15)式において、ωkは、サンプリン
グ時刻ｔkにおける駆動雑音ベクトルである。また、式
(15)において、Γkは、サンプリング時刻ｔkにおける駆
動雑音ベクトルの変換行列である。目標の運動モデルを
等速直線運動と仮定したことによる打切り誤差項をΓk-
1・ωk-1とみれば、ωkは加速度ベクトル相当であり、
Γk-1は式(21)のように表される。In the above equation (15), ωk is a driving noise vector at the sampling time tk. Also, the formula
In (15), Γk is the conversion matrix of the driving noise vector at the sampling time tk. The term of the truncation error due to the assumption that the target motion model is a uniform linear motion is 直線 k-
Considering 1 · ωk-1, ωk is equivalent to the acceleration vector,
Γk-1 is expressed as in equation (21).

【００４９】[0049]

【数３】 (Equation 3)

【００５０】ωkは平均0の3次元正規分布白色雑音で、
式(22)、式(23)のように表されるものとする。ここで0
は零ベクトルを表し、Ｑkはサンプリング時刻ｔkにおけ
る駆動雑音共分散行列である。Ωk is a three-dimensional normally distributed white noise having an average of 0,
It is assumed that it is expressed as Expression (22) and Expression (23). Where 0
Represents a zero vector, and Qk is a driving noise covariance matrix at the sampling time tk.

【００５１】[0051]

【数４】 (Equation 4)

【００５２】上記(15)式において、ｕkは、サンプリン
グ時刻ｔkにおいてＮ個の運動モデルを構成する定数加
速度ベクトルであり、式(24)のように表すことができ
る。また、Γ′kはサンプリング時刻ｔkにおける定数加
速度ベクトルの変換行列であり、式(25)のように表すこ
とができる。In the above equation (15), uk is a constant acceleration vector constituting N motion models at the sampling time tk, and can be expressed as in equation (24). Further, k′k is a conversion matrix of the constant acceleration vector at the sampling time tk, and can be expressed as in Expression (25).

【００５３】[0053]

【数５】 (Equation 5)

【００５４】図９は、定数加速度ベクトルを説明する図
である。図９において、Oは座標O-xyzの原点である。座
標0-xyzは、目標観測装置の位置を原点とする座標であ
る。また、図９において、Ｘは東方向を正方向とする座
標O-xyzのx軸、Ｙは北方向を正方向とする座標O-xyzのy
軸、Ｚは上方向を正方向とする座標O-xyzのz軸を示す。
更に、α１はy軸正方向の定数加速度ベクトル、α２はy
軸負方向の定数加速度ベクトル、α３はx軸正方向の定
数加速度ベクトル、α４はx軸負方向の定数加速度ベク
トル、α５はz軸正方向の定数加速度ベクトル、α６はz
軸負方向の定数加速度ベクトルである。この他に、加速
度0の定数加速度ベクトルα７を考えた運動モデルの場
合、モデル数Ｎは７となる。FIG. 9 is a diagram for explaining the constant acceleration vector. In FIG. 9, O is the origin of the coordinate O-xyz. The coordinates 0-xyz are coordinates with the position of the target observation device as the origin. In FIG. 9, X is the x-axis of coordinates O-xyz whose east direction is the positive direction, and Y is y of the coordinates O-xyz whose north direction is the positive direction.
The axis Z indicates the z-axis of coordinates O-xyz whose upward direction is the positive direction.
Further, α1 is a constant acceleration vector in the y-axis positive direction, and α2 is y
Constant acceleration vector in the negative direction of the axis, α3 is a constant acceleration vector in the positive direction of the x axis, α4 is a constant acceleration vector in the negative direction of the x axis, α5 is a constant acceleration vector in the positive direction of the z axis, and α6 is z
This is a constant acceleration vector in the negative axis direction. In addition, in the case of a motion model considering a constant acceleration vector α7 of acceleration 0, the number of models N is 7.

【００５５】サンプリング時刻ｔkにおいて式(26)が真
であるとの仮説を式(27)で表す。 ｕk-1＝αa （ａ＝１，２，・・，Ｎ） (26) Ψk,a （ａ＝１，２，・・，Ｎ） (27)The hypothesis that equation (26) is true at sampling time tk is expressed by equation (27). uk-1 = αa (a = 1, 2,..., N) (26) Ψk, a (a = 1, 2,..., N) (27)

【００５６】運動モデルの推移にマルコフ性を仮定す
る。すなわち運動モデルΨk,aはサンプリング時刻ｔk-1
の運動モデルより決まり、サンプリング時刻ｔk-2まで
の運動モデルには依存しないと仮定する。Assume Markov nature in the transition of the motion model. That is, the motion model Ψk, a is the sampling time tk-1
And is not dependent on the motion model up to the sampling time tk-2.

【００５７】時刻ｔkにおける運動モデル間推移確率を
式(28)のように表す。サンプリング間隔が可変の場合に
は、サンプリング間隔に合わせて運動モデル間推移確率
を変える必要がある。例えば、最小サンプリング間隔を
ｔsとし、サンプリング間隔ｔk - ｔk-1 = ｔsの場合の
運動モデル間推移確率を式(28)と同様の意味でｐabとす
る。さらに、Ｎ×Ｎ行列でa行b列の要素をｐabとしたも
のを運動モデル間推移確率行列Πと表す。サンプリング
間隔がｔk - ｔk-1 = m・ｔs、 (m = 1、2、・・)と表
せる場合、サンプリング時刻ｔkでの運動モデル間推移
確率行列Πkは式(29)で表せる。このときのΠkのa行b列
の要素が運動モデル間推移確率ｐk,abである。The transition probability between the motion models at the time tk is expressed as in equation (28). When the sampling interval is variable, it is necessary to change the transition probability between the motion models according to the sampling interval. For example, let ts be the minimum sampling interval, and let pab be the transition probability between motion models when the sampling interval tk-tk-1 = ts, in the same manner as in equation (28). Further, an N × N matrix in which the elements at a row and b column are set to pab is represented as a transition probability matrix between motion models Π. If the sampling interval can be expressed as tk−tk−1 = m · ts, (m = 1, 2,...), The transition probability matrix 運動 k between the motion models at the sampling time tk can be expressed by Expression (29). At this time, the element at the row a and column b of Πk is the transition probability pk, ab between the motion models.

【００５８】 ｐk,ab＝Ｐ［Ψk,a｜Ψk-1,b］ （ａ＝１，２，・・，Ｎ；ｂ＝１，２，・・，Ｎ） (28) Πk＝Π^m (29) [0058] pk, ab = P [Ψk, a | Ψk-1, b] (a = 1,2, ··, N; b = 1,2, ··, N) (28) Πk = Π m ( 29)

【００５９】サンプリング時刻ｔkまでの観測情報Ｚ^kに
基づく、サンプリング時刻ｔkでの運動モデルの信頼度
を条件付き確率密度関数により式(30)と定義すると、そ
の信頼度は式(31)で計算される。When the reliability of the motion model at the sampling time tk based on the observation information Z ^{k up} to the sampling time tk is defined by Expression (30) using a conditional probability density function, the reliability is calculated by Expression (31). Is done.

【００６０】[0060]

【数６】 (Equation 6)

【００６１】ただし、νk,aは、観測ベクトルの正規分
布近似P[Ｚk|Ψk,a，Ｚ^k-1]を多変量正規分布で近似し
たもので、式(32)で表される。 νk,a＝ｇ（Ｚk；Ｈ・Ｘk,a(-)，Ｈ・Ｐk,a(-)・Ｈ^T＋Ｒk） (32) 尚、上記(32)式において、ｇ（ａ；ｂ，ｃ）は、平均
ｂ、共分散行列ｃの３変量正規分布のａにおける確率密
度関数である。また、上記(32)式において、記号 ^Tは、
その行列が転置行列であることを表す記号である。Where νk, a is the normal component of the observation vector
Cloth approximation P [Zk | Ψk, a, Z^k-1] With a multivariate normal distribution
And is represented by equation (32). νk, a = g (Zk; H · Xk, a (-), H · Pk, a (-) · H^T+ Rk) (32) In the above equation (32), g (a; b, c) is an average.
b, probability density at a of trivariate normal distribution of covariance matrix c
It is a degree function. In the above formula (32), ^TIs
This is a symbol indicating that the matrix is a transposed matrix.

【００６２】サンプリング時刻ｔk-1までの観測情報Ｚ
^k-1に基づくサンプリング時刻ｔkでの運動モデルの事前
信頼度を条件付き確率密度関数により、式(33)と定義す
ると、その信頼度は式(34)と書ける。Observation information Z up to sampling time tk-1
^If the prior reliability of the motion model at the sampling time tk based on ^k−1 is defined by the conditional probability density function as Expression (33), the reliability can be written as Expression (34).

【００６３】[0063]

【数７】 (Equation 7)

【００６４】また、サンプリング時刻ｔkまでの観測情
報Ｚ^kに基づく、定数加速度ベクトルの推定値を式(35)
として定義すると、その推定値は式(36)と書ける。これ
を推定加速度ベクトルと呼ぶ。The estimated value of the constant acceleration vector based on the observation information Z ^k up to the sampling time tk is given by the following equation (35).
Then, the estimated value can be written as equation (36). This is called an estimated acceleration vector.

【００６５】[0065]

【数８】 (Equation 8)

【００６６】更に、サンプリング時刻ｔk-1までの観測
情報Ｚ^k-1に基づく、定数加速度ベクトルの推定値を式
(37)として定義すると、その推定値は式(38)と書ける。
これを予測加速度ベクトルと呼ぶ。Further, the estimated value of the constant acceleration vector based on the observation information Z ^k-1 up to the sampling time tk-1 is expressed by the following equation.
If defined as (37), the estimated value can be written as equation (38).
This is called a predicted acceleration vector.

【００６７】[0067]

【数９】 (Equation 9)

【００６８】追尾対象目標に起因する観測値はサンプリ
ング時刻ｔkにおいて1つ得られるとし、その観測系モデ
ルを式(39)とする。ここでＺkはサンプリング時刻ｔkに
おける位置情報の観測値で構成される直交座標による位
置観測ベクトル、Ｈはサンプリング時刻ｔkにおける観
測行列で、式(40)で表される。ｖkはサンプリング時刻
ｔkでの観測ベクトルＺkに対応した観測雑音ベクトルで
あり、平均0の3次元正規分布白色雑音で、式(41)、式(4
2)のように表すことができる。尚、Ｒkはサンプリング
時刻ｔkにおける観測雑音共分散行列で、運動モデルに
よらない値とする。また、駆動雑音ベクトルと観測雑音
ベクトルは互いに独立であるとする。It is assumed that one observation value attributable to the tracking target is obtained at the sampling time tk, and the observation system model is represented by Expression (39). Here, Zk is a position observation vector in rectangular coordinates composed of observation values of position information at the sampling time tk, and H is an observation matrix at the sampling time tk, which is represented by Expression (40). vk is an observation noise vector corresponding to the observation vector Zk at the sampling time tk, and is a three-dimensional normal distribution white noise having an average of 0, and is expressed by Equations (41) and (4).
It can be expressed as 2). Note that Rk is the observation noise covariance matrix at the sampling time tk, and is a value that does not depend on the motion model. Further, it is assumed that the driving noise vector and the observation noise vector are independent of each other.

【００６９】[0069]

【数１０】 (Equation 10)

【００７０】またサンプリング時刻ｔ1からｔkまでの観
測値ベクトルの集積を式(43)のように表す。 Ｚ^k＝［Ｚ1，Ｚ2，Ｚ3，・・，Ｚk］ (43)The accumulation of the observed value vectors from the sampling time t1 to tk is represented by the following equation (43). Z ^k = [Z1, Z2, Z3,..., Zk] (43)

【００７１】カルマンフィルタの理論によれば、上記モ
デルに従いサンプリング時刻ｔkで観測値が得られた場
合の、状態ベクトルＸkの推定値Ｘk(+)は式(44)〜(52)
によって計算される。According to the theory of the Kalman filter, when the observed value is obtained at the sampling time tk according to the above model, the estimated value Xk (+) of the state vector Xk is expressed by the following equations (44) to (52).
Is calculated by

【００７２】[0072]

【数１１】 [Equation 11]

【００７３】ここで、Ｘk,a(-)、 Ｘk,a(+)、 Ｘk(-)、
Ｘk(+)、 Ｐk,a(-)、Ｐk,a(+)、Ｐk(-)、Ｐk(+)は、そ
れぞれ式(53)〜(60)のように定義される。尚、上記(48)
式で表されるＫkは、サンプリング時刻ｔkにおけるゲイ
ン行列である。Here, Xk, a (-), Xk, a (+), Xk (-),
Xk (+), Pk, a (-), Pk, a (+), Pk (-), and Pk (+) are defined as in equations (53) to (60), respectively. (48)
Kk represented by the equation is a gain matrix at the sampling time tk.

【００７４】[0074]

【数１２】 (Equation 12)

【００７５】上記(53)式で表されるＸk,a(-)は、サンプ
リング時刻ｔk-1までの観測情報Ｚ^{k -1}と運動モデルの仮
説Ψk,aとに基づく状態ベクトルＸkの条件付き平均値で
あり、サンプリング時刻ｔk-1までの観測情報Ｚ^k-1と運
動モデルの仮説Ψk,aとに基づいてサンプリング時刻ｔk
での真値を推定した予測ベクトルに相当する。[0075] Xk represented by the above equation (53), a (-), the sampling time tk-1 to the observation information Z ^{k -1} and motion model hypothesis Pusaik, conditional state vector Xk based on the a It is an average value, and based on the observation information Z ^k -1 up to the sampling time tk- ¹ and the hypothesis -1k, a of the motion model, the sampling time tk
Corresponds to the predicted vector whose true value has been estimated.

【００７６】上記(54)式で表されるＸk,a(+)は、サンプ
リング時刻ｔkまでの観測情報Ｚ^kと運動モデルの仮説Ψ
k,aとに基づく状態ベクトルＸkの条件付き平均値であ
り、サンプリング時刻ｔkまでの観測情報Ｚ^kと運動モデ
ルの仮説Ψk,aとに基づいてサンプリング時刻ｔkでの真
値を推定した平滑ベクトルに相当する。[0076] Xk represented by the above expression (54), a (+), the hypothesis observation information Z ^k and motion model to the sampling time tk [psi
k, a is a conditional average value of the state vector Xk, and is a smoothed vector whose true value is estimated at the sampling time tk based on the observation information Zk up to the sampling time tk and the hypothesis 運動^k , a of the motion model. Is equivalent to

【００７７】上記(55)式で表されるＸk(-)は、サンプリ
ング時刻ｔk-1までの観測情報Ｚ^k-1に基づくＸkの条件
付き平均値で、サンプリング時刻ｔk-1までの観測情報
Ｚ^k-1に基づいてサンプリング時刻ｔkでの真値を推定し
た予測ベクトルに相当する。Xk (-) expressed by the above equation (55) is a conditional average value of Xk based on the observation information Z ^{k-1 up} to the sampling time tk-1. This corresponds to a prediction vector obtained by estimating a true value at the sampling time tk based on Z ^k−1 .

【００７８】上記(56)式で表されるＸk(+)は、サンプリ
ング時刻ｔkまでの観測情報Ｚ^kに基づくＸkの条件付き
平均値で、サンプリング時刻ｔkまでの観測情報Ｚ^kに基
づいてサンプリング時刻ｔkでの真値を推定した平滑ベ
クトルに相当する。[0078] Xk represented by the above (56) equation (+) is a conditional mean value of Xk based on the observation information Z ^k to the sampling time tk, based on the observation information Z ^k to the sampling time tk sampling This corresponds to a smoothed vector whose true value has been estimated at time tk.

【００７９】また、上記(57)式〜(60)式で表されるＰk,
a(-)、Ｐk,a(+)、 Ｐk(-)、 Ｐk(+)は、それぞれＸk,a
(-)、 Ｘk,a(+)、 Ｘk(-)、 Ｘk(+)の誤差共分散行列を
表す。すなわち、Ｘk,a(-)は運動モデルごとの予測誤差
共分散行列を、Ｘk,a(+)は運動モデルごとの平滑誤差共
分散行列を、Ｘk(-)はＮ個の運動モデルによる予測誤差
共分散行列を、また、Ｘk(+)はＮ個の運動モデルによる
平滑誤差共分散行列を、それぞれ表している。Further, Pk, represented by the above equations (57) to (60),
a (-), Pk, a (+), Pk (-), Pk (+) are Xk, a
(-), Xk, a (+), Xk (-), and Xk (+) represent the error covariance matrix. That is, Xk, a (-) is a prediction error covariance matrix for each motion model, Xk, a (+) is a smooth error covariance matrix for each motion model, and Xk (-) is a prediction using N motion models. Xk (+) represents an error covariance matrix, and Xk (+) represents a smoothed error covariance matrix based on N motion models.

【００８０】本実施形態において、平滑ベクトルの初期
値Ｘ0(+)、および、平滑誤差共分散行列の初期値Ｐ0(+)
は、カルマンフィルタが通常適用される場合と同様に、
別途定められているものとする。ところで、上述した処
理において、Ｐk,a(-)は、式(45)に示す如く、仮説Ψk,
aによらない値である。このため、式(48)で表されるＫ
k、および、式(50)で表されるＰk,a(+)も、同様に仮説
Ψk,aによらない値となる。In the present embodiment, the initial value X0 (+) of the smooth vector and the initial value P0 (+) of the smooth error covariance matrix
Is the same as when the Kalman filter is usually applied,
It shall be determined separately. By the way, in the above-described processing, Pk, a (−) becomes the hypothesis Ψk,
This value does not depend on a. For this reason, K represented by equation (48)
Similarly, k and Pk, a (+) expressed by the equation (50) are also values that do not depend on the hypothesis Ψk, a.

【００８１】次に、図２に示すフローチャートを参照し
て本実施形態の目標追尾装置の動作について説明する。
本実施形態の目標追尾装置では、先ず、目標観測装置１
より得られる目標位置観測情報を基に、通常のカルマン
フィルタ理論に基づき、目標位置・速度の平滑値の初期
値Ｘ0(+)、および平滑誤差共分散行列の初期値Ｐ0(+)が
設定される（ＳＴ１）。Next, the operation of the target tracking device of this embodiment will be described with reference to the flowchart shown in FIG.
In the target tracking device of the present embodiment, first, the target observation device 1
Based on the obtained target position observation information, the initial value X0 (+) of the smoothed value of the target position / velocity and the initial value P0 (+) of the smoothed error covariance matrix are set based on the ordinary Kalman filter theory. (ST1).

【００８２】次に、目標の運動モデルとして、図９に示
すようなＮ個の定数加速度ベクトル（零加速度ベクトル
を含む）よりなるＮ個の運動モデルが設定設定される
（ＳＴ２）。Next, N motion models composed of N constant acceleration vectors (including zero acceleration vectors) as shown in FIG. 9 are set and set as target motion models (ST2).

【００８３】次に、運動モデルごとの予測器６におい
て、平滑器３より入力されるＮ個の運動モデルによる平
滑値Ｘk-1(+)（式(56)）、およびＮ個の運動モデルを構
成している定数加速度ベクトルαa（式(24)）に基づい
て、式(44)に従って、式(53)の運動モデルごとの予測値
Ｘk,a(-)が算出される。更に、運動モデルごとの予測誤
差評価器１０において、平滑誤差評価器９より入力され
るＮ個の運動モデルによる平滑誤差共分散行列Ｐk-1(+)
（式(60))、および予め設定された駆動雑音共分散行列
Ｑk-1（式(23))に基づいて、式(45)に従って、式(57)の
運動モデルごとの予測誤差共分散行列Ｐk,a(-)が算出さ
れる（ＳＴ３）。Next, in the predictor 6 for each motion model, the smoothed value Xk-1 (+) (Equation (56)) of the N motion models input from the smoother 3 and the N motion models are calculated. Based on the constant acceleration vector αa (Equation (24)), the predicted value Xk, a (−) for each motion model in Equation (53) is calculated according to Equation (44). Further, in the prediction error evaluator 10 for each motion model, the smoothed error covariance matrix Pk-1 (+) based on the N motion models input from the smoothing error evaluator 9
Based on (Equation (60)) and the preset driving noise covariance matrix Qk-1 (Equation (23)), the prediction error covariance matrix for each motion model of Equation (57) is calculated according to Equation (45) according to Equation (45). Pk, a (-) is calculated (ST3).

【００８４】次に、予測器５において、平滑器３から出
力されるＮ個の運動モデルによる平滑値Ｘk-1(+)（式(5
6)）、信頼度算出器２から出力される各運動モデルの信
頼度μk-1,a(+)（式(30)）、観測時刻算出器１５から出
力される次の観測時刻、および運動モデル間推移確率算
出器１６から出力される運動モデル間推移確率ｐk,ab
（式(28)）が読み込まれる。予測器５は、それらの入力
データ、および予め設定されている定数加速度ベクトル
αa（式(24)）に基づいて、式(46)に従い、式(55)のＮ
個の運動モデルによる予測値Ｘk(-)を算出する。Next, in the predictor 5, a smoothed value Xk-1 (+) based on N motion models output from the smoother 3 (formula (5)
6)), the reliability μk-1, a (+) (Equation (30)) of each motion model output from the reliability calculator 2, the next observation time output from the observation time calculator 15, and the motion The transition probabilities pk, ab between motion models output from the inter-model transition probability calculator 16
(Equation (28)) is read. Based on the input data and the preset constant acceleration vector αa (Equation (24)), the predictor 5 calculates N in Expression (55) according to Expression (46).
The predicted value Xk (-) based on the individual motion models is calculated.

【００８５】更に、予測誤差評価器１１において、運動
モデルごとの予測誤差評価器１０から出力される運動モ
デルごとの予測誤差共分散行列Ｐk,a(-)（式(57)）、信
頼度算出器２から出力される各運動モデルの信頼度μk-
1,a(+)（式(30)）、運動モデル間推移確率算出器１６か
ら出力される運動モデル間推移確率ｐk,ab（式(28)）、
および観測時刻算出器１５から出力される次の観測時刻
が読み込まれる。予測誤差評価器１１は、それらの入力
データ、および定数加速度ベクトルαa（式(24)）に基
づいて、式(47)に従い、式(59)のＮ個の運動モデルによ
る予測誤差共分散行列Ｐk(-)を算出する（ＳＴ４）。Further, in the prediction error evaluator 11, the prediction error covariance matrix Pk, a (-) (Equation (57)) for each motion model output from the prediction error evaluator 10 for each motion model, and reliability calculation Reliability of each motion model output from unit 2
1, a (+) (Equation (30)), the transition probability between movement models pk, ab (Equation (28)) output from the movement probability between movement model calculator 16,
The next observation time output from the observation time calculator 15 is read. Based on the input data and the constant acceleration vector αa (Equation (24)), the prediction error evaluator 11 calculates the prediction error covariance matrix Pk based on the N motion models of Expression (59) according to Expression (47). (−) Is calculated (ST4).

【００８６】次に、目標観測装置１において、観測値Ｚ
kが読み込まれる（ＳＴ５）。上記の観測値は、目標か
らの信号の検出結果であり、位置情報で構成されてい
る。Next, in the target observation device 1, the observation value Z
k is read (ST5). The above-mentioned observation value is a detection result of a signal from a target, and is constituted by position information.

【００８７】目標観測装置１で観測された観測値は、信
頼度算出器２に供給される。信頼度算出器２は、更に、
現時刻より１サンプリング前に算出した各運動モデルの
信頼度μk-1,a(+)（式(30)）を遅延回路１３を介して読
み込み、運動モデルごとの予測器６が現時刻より１サン
プリング前に算出した運動モデルごとの予測値Ｘk,a(-)
（式(53)）を遅延回路７を介して読み込み、運動モデ
ルごとの予測誤差評価器１０が現時刻より１サンプリン
グ前に算出した運動モデルごとの予測誤差共分散行列Ｐ
k,a(-)（式(57)）を遅延回路8を介して読み込み、運動
モデル間推移確率算出器１６が現時刻より１サンプリン
グ前に算出した運動モデル間推移確率ｐk,ab（式(28)）
を遅延回路１７を介して読み込む。信頼度算出器２は、
それらの入力データと、予め設定されている観測雑音共
分散行列Ｒk（式(42)）とに基づいて、式(31)に従い、
式(30)の運動モデルの信頼度μk,a(+)を算出する（ＳＴ
６）。The observation value observed by the target observation device 1 is supplied to the reliability calculator 2. The reliability calculator 2 further includes:
The reliability μk-1, a (+) (Equation (30)) of each motion model calculated one sampling before the current time is read via the delay circuit 13, and the predictor 6 for each motion model is set to 1 Prediction value Xk, a (-) for each motion model calculated before sampling
(Equation (53)) is read through the delay circuit 7, and the prediction error evaluator 10 for each motion model calculates the prediction error covariance matrix P for each motion model calculated one sampling before the current time.
k, a (−) (Equation (57)) is read through the delay circuit 8 and the inter-motion model transition probability pk, ab (Eq. 28))
Is read via the delay circuit 17. The reliability calculator 2
Based on these input data and a preset observation noise covariance matrix Rk (Equation (42)), according to Equation (31),
Calculate the reliability μk, a (+) of the motion model of equation (30) (ST
6).

【００８８】次に、ゲイン行列算出器１２において、運
動モデルごとの予測誤差評価器１０が現時刻より１サン
プリング前に算出した運動モデルごとの予測誤差共分散
行列Ｐk,a(-)（式(57)）が遅延回路8を介して読み込ま
れる。ゲイン行列算出器１２は、その入力データと、予
め設定された観測雑音共分散行列Ｒk（式(42)）とに基
づいて、式(48)に従いゲイン行列Ｋkを算出する（ＳＴ
７）。Next, in the gain matrix calculator 12, the prediction error evaluator 10 for each motion model calculates the prediction error covariance matrix Pk, a (-) for each motion model one sampling before the current time. 57)) is read via the delay circuit 8. The gain matrix calculator 12 calculates a gain matrix Kk according to equation (48) based on the input data and a preset observation noise covariance matrix Rk (equation (42)) (ST
7).

【００８９】次に、平滑器３において、現時刻より１サ
ンプリング前に算出しておいたＮ個の運動モデルによる
平滑値Ｘk-1(+)（式(56)）が遅延回路4を介して読み込
まれる。平滑器３は、更に、信頼度算出器２が出力する
各運動モデルの信頼度μk,a(+)（式(30)）、ゲイン行列
算出器１２が出力するゲイン行列Ｋk（式(48)）、およ
び目標観測装置１が出力する観測値Ｚkを読み込む。平
滑器３は、それらの入力データと、予め設定されている
定数加速度ベクトルαa（式(24)）とに基づいて、式(5
1)に従い、式(56)のＮ個の運動モデルによる平滑値Ｘk
(+)を算出する。Next, in the smoothing unit 3, the smoothed value Xk−1 (+) (Equation (56)) based on the N motion models calculated one sampling before the current time is passed through the delay circuit 4. Is read. The smoother 3 further includes a reliability μk, a (+) (Equation (30)) of each motion model output from the reliability calculator 2 and a gain matrix Kk (Equation (48)) output from the gain matrix calculator 12. ) And the observation value Zk output from the target observation device 1. The smoother 3 calculates the equation (5) based on the input data and a preset constant acceleration vector αa (equation (24)).
According to 1), the smoothed value Xk by the N motion models of the equation (56)
Calculate (+).

【００９０】また、平滑誤差評価器９においては、信頼
度算出器２から出力される各運動モデルの信頼度μk,a
(+)（式(30)）が読み込まれる。平滑誤差評価器９は、
更に、運動モデルごとの予測誤差評価器１０が現時刻よ
り１サンプリング前に算出した運動モデルごとの予測誤
差共分散行列Ｐk,a(-)（式(57)）を遅延回路８を介して
読み込み、ゲイン行列算出器１２から出力されるゲイン
行列Ｋk（式(48)）を読み込む。平滑誤差評価器９は、
それらの入力データと、あらかじめ設定されている定数
加速度ベクトルαa（式(24)）とに基づいて、式(52)に
従い、式(60)のＮ個の運動モデルによる平滑誤差共分散
行列Ｐk(+)を算出する（ＳＴ８）。In the smoothing error evaluator 9, the reliability μk, a of each motion model output from the reliability calculator 2 is calculated.
(+) (Equation (30)) is read. The smoothing error evaluator 9
Further, the prediction error evaluator 10 for each motion model reads the prediction error covariance matrix Pk, a (−) (Equation (57)) for each motion model calculated one sampling before the current time via the delay circuit 8. , The gain matrix Kk (equation (48)) output from the gain matrix calculator 12 is read. The smoothing error evaluator 9
Based on the input data and a preset constant acceleration vector αa (Equation (24)), the smooth error covariance matrix Pk ( +) Is calculated (ST8).

【００９１】次に、観測時刻算出器１５において、信頼
度算出器２から出力される運動モデルごとの信頼度μk,
a(+)（式(30)）、平滑器３から出力されるＮ個の運動モ
デルによる平滑値Ｘk(+)（式(56)）、平滑誤差評価器９
から出力されるＮ個の運動モデルによる平滑誤差共分散
行列Ｐk(+)（式(60)）が読み込まれると共に、次回観測
を行う観測時刻ｔk+1が算出される。Next, in the observation time calculator 15, the reliability μk,
a (+) (Equation (30)), smoothed value Xk (+) (Equation (56)) based on N motion models output from smoother 3, smoothing error evaluator 9
, The smoothed error covariance matrix Pk (+) (Equation (60)) based on the N motion models is read, and the observation time tk + 1 at which the next observation is performed is calculated.

【００９２】また、運動モデル間推移確率算出器１６に
おいて、観測時刻算出器１５で算出される次回の観測時
刻と、現観測時刻との差よりサンプリング間隔が算出さ
れる。運動モデル間推移確率算出器１６は、更に、算出
されたサンプリング間隔に合わせた運動モデル間推移確
率を、例えば式(29)により算出する（ＳＴ９）。In the inter-motion model transition probability calculator 16, the sampling interval is calculated from the difference between the next observation time calculated by the observation time calculator 15 and the current observation time. The inter-motion model transition probability calculator 16 further calculates the inter-motion model transition probability in accordance with the calculated sampling interval, for example, by using equation (29) (ST9).

【００９３】上述した一連の処理が終了すると、追尾処
理の終了が要求されているか否かが判別される（ＳＴ１
０）。その結果、処理の終了が要求されていないと判別
される場合は、所定のサンプリング間隔で、上記ＳＴ３
以降の処理が繰り返し実行される。When the above-described series of processing is completed, it is determined whether or not the end of the tracking processing is requested (ST1).
0). As a result, if it is determined that the end of the processing has not been requested, the ST3 is executed at a predetermined sampling interval.
Subsequent processing is repeatedly executed.

【００９４】次に、図３に示すフローチャートを参照し
て、上述したＳＴ９（図２）における観測時刻算出器１
５の動作について説明する。図３は、上述したＳＴ９に
おいて実行される一例の処理の内容を示すフローチャー
トである。図３に示す処理においては、先ず、ＳＴ１１
の処理が実行される。Next, referring to the flowchart shown in FIG. 3, the observation time calculator 1 in ST9 (FIG. 2) described above.
Operation 5 will be described. FIG. 3 is a flowchart showing the contents of an example of the process executed in ST9 described above. In the processing shown in FIG.
Is performed.

【００９５】ＳＴ１１では、サンプリング間隔Ｔの初期
化が行われる。本ステップＳＴ１１の処理により、サン
プリング間隔Ｔは、予め設定されている最小サンプリン
グ間隔ｔsに設定される。In ST11, the sampling interval T is initialized. By the process of step ST11, the sampling interval T is set to the preset minimum sampling interval ts.

【００９６】ＳＴ１２では、式(46)、(47)に従って、時
刻ｔk＋Ｔ−ｔｓにおけるＮ個の運動モデルによる平滑
値および平滑誤差共分散行列に基づいて、最小サンプリ
ング間隔ｔsだけ先の時刻、すなわち、未来の時刻ｔk＋
ＴにおけるＮ個の運動モデルによる予測値および予測誤
差共分散行列が算出される。In ST12, according to the equations (46) and (47), based on the smoothed values and the smoothed error covariance matrix of the N motion models at the time tk + T−ts, the time preceding the minimum sampling interval ts, ie, Future time tk +
A prediction value and a prediction error covariance matrix of the N motion models at T are calculated.

【００９７】ＳＴ１３では、ＳＴ１２で算出された時刻
ｔk＋ＴにおけるＮ個のモデルによる予測値および予測
誤差分散行列に基づいて、誤差楕円体が計算されると共
に、その誤差楕円体の体積が、評価値として求められ
る。In ST13, an error ellipsoid is calculated based on the prediction values and prediction error variance matrices of the N models at time tk + T calculated in ST12, and the volume of the error ellipsoid is used as an evaluation value. Desired.

【００９８】上記の処理を具体的に説明する。ここで、
時刻ｔk＋ＴにおけるＮ個のモデルによる予測値（式(4
6)）および予測誤差共分散行列（式(47)）を、それぞれ
Ｘk+T(-)、 Ｐk+T(-)と表す。この場合、上記の誤差楕
円体は、次式(1)により求めることができる。The above processing will be specifically described. here,
Predicted values by N models at time tk + T (Equation (4)
6)) and the prediction error covariance matrix (Equation (47)) are represented as Xk + T (-) and Pk + T (-), respectively. In this case, the above-mentioned error ellipsoid can be obtained by the following equation (1).

【００９９】 ［Ｚk+T−Ｈ・Ｘk+T(-)］^TＳk+T^-1［Ｚk+T−Ｈ・Ｘk+T(-)］≦ｄ (1) 式(1)の左辺は自由度3のカイ2乗分布となる。ｄをパラ
メータとして式(1)の時刻ｔk+Tにおける観測値Ｚk+Tの
なす領域は楕円体となる。この楕円体を誤差楕円体と呼
ぶ。ただし、上記(1)式中、Ｓk+Tは次式(2)で表される
値であり、Ｈは式(40)の観測行列、Ｒk+Tは時刻ｔk+Tに
おける式(23)の観測雑音共分散行列である。 Ｓk+T＝Ｈ・Ｐk+T(-)・Ｈ^T＋Ｒk+T (2)[Zk + T−H · Xk + T (−)] ^T Sk + T ⁻¹ [Zk + T−H · Xk + T (−)] ≦ d (1) The left side of equation (1) is free It becomes a chi-square distribution of degree 3. The region formed by the observation value Zk + T at the time tk + T in Expression (1) using d as a parameter is an ellipsoid. This ellipsoid is called an error ellipsoid. Here, in the above equation (1), Sk + T is a value represented by the following equation (2), H is the observation matrix of the equation (40), and Rk + T is the value of the equation (23) at the time tk + T. This is the observation noise covariance matrix. Sk + T = H · Pk + T (-) · H T + Rk + T (2)

【０１００】誤差楕円体の体積Ｖ_Gは次式(3)で計算され
る。本実施形態においては、その計算値Ｖ_Gが評価値と
して用いられる。尚、式(3)に示すΓ(・)はガンマ関数
である。[0100] The volume V _G of the error ellipsoid is calculated by the following formula (3). In the present embodiment, the calculated value V _G is used as the evaluation value. Note that Γ (·) shown in Expression (3) is a gamma function.

【０１０１】[0101]

【数１３】 (Equation 13)

【０１０２】ＳＴ１４では、次式(4)に従って、観測誤
差共分散行列Ｒk+Tに基づく観測誤差楕円体の体積が算
出される。本実施形態においては、その値がしきい値Ｖ
thとして用いられる。In ST14, the volume of the observation error ellipsoid based on the observation error covariance matrix Rk + T is calculated according to the following equation (4). In this embodiment, the value is the threshold V
Used as th.

【０１０３】[0103]

【数１４】 [Equation 14]

【０１０４】尚、本実施形態において用いられるしきい
値は、上記の値に限定されるものではなく、パラメータ
λ１を設定して、λ１・Ｖth をしきい値としてもよ
い。The threshold value used in the present embodiment is not limited to the above value, and the parameter λ1 may be set and λ1 · Vth may be used as the threshold value.

【０１０５】ＳＴ１９では、上述した評価値Ｖ_Gと、上
述したしきい値Ｖthとを比較するしきい値判定が行われ
る。その結果、評価値Ｖ_G＜しきい値Ｖthが成立すると
判別されると、次にＳＴ２０の処理が実行される。一
方、上記の条件が成立しないと判別される場合は、次に
ＳＴ２１の処理が実行される。[0105] In ST19, the evaluation value V _G, which has been described above, the threshold decision for comparing the threshold value Vth as described above is performed. As a result, when the evaluation value V _G <threshold Vth is determined that established, the process of ST20 is executed. On the other hand, when it is determined that the above condition is not satisfied, the process of ST21 is executed next.

【０１０６】ＳＴ２０では、サンプリング間隔Ｔがｔs
だけ延長される、すなわちＴ＝Ｔ＋ｔsとする処理が実
行される。以後、ＳＴ１９において、評価値Ｖ_G＜しき
い値Ｖthが成立しないと判定されるまで、繰り返し上記
ＳＴ１２以降の処理が実行される。本ステップＳＴ２０
では、また、ＳＴ１２で算出された時刻ｔk+Tにおける
Ｎ個の運動モデルによる予測値および予測誤差共分散行
列を、そのまま時刻ｔk+TにおけるＮ個の運動モデルに
よる平滑値および平滑誤差共分散行列とする処理が行わ
れる。ＳＴ１２以降の処理が繰り返し実行される間、Ｓ
Ｔ１２の処理は、このようにして前回の処理サイクルで
設定された平滑値および平滑誤差共分散行列を用いて行
われる。In ST20, the sampling interval T is ts
, Ie, the process of setting T = T + ts is performed. Thereafter, in ST19, the evaluation value V _G <threshold Vth until it is determined not satisfied, the processing of repeating the ST12 and subsequent steps are executed. This step ST20
Then, the prediction value and the prediction error covariance matrix by the N motion models at the time tk + T calculated in ST12 are directly converted into the smoothed value and the smooth error covariance matrix by the N motion models at the time tk + T. Is performed. While the processing after ST12 is repeatedly executed, S
The processing of T12 is performed using the smoothed value and the smoothed error covariance matrix set in the previous processing cycle in this way.

【０１０７】ＳＴ２１では、次の観測時刻ｔk+1が、時
刻ｔk＋Ｔに、すなわちＳＴ１１〜ＳＴ２０の処理によ
り設定されたサンプリング間隔Ｔだけ先の時刻に設定さ
れる。以後、このようにして設定された観測時刻ｔｋ＋
Ｔを用いて、上記図２に示すルーチンが実行される。In ST21, the next observation time tk + 1 is set to time tk + T, that is, the preceding time by the sampling interval T set by the processing of ST11 to ST20. Thereafter, the observation time tk +
Using T, the routine shown in FIG. 2 is executed.

【０１０８】誤差楕円体の大きさは、その時刻での目標
追尾精度を表している。つまり、追尾精度がよければ誤
差楕円体は小さく、追尾精度が悪ければ誤差楕円体は大
きくなる。上述の如く、本実施形態の目標追尾装置によ
れば、この原理を利用して、追尾精度がよいときはサン
プリング間隔Ｔを長くし、追尾精度が悪いときは観測間
隔を短くすることができる。The size of the error ellipsoid indicates the target tracking accuracy at that time. That is, if the tracking accuracy is good, the error ellipsoid is small, and if the tracking accuracy is bad, the error ellipsoid is large. As described above, according to the target tracking device of the present embodiment, using this principle, the sampling interval T can be lengthened when the tracking accuracy is good, and the observation interval can be shortened when the tracking accuracy is bad.

【０１０９】また、図３に示すルーチンによれば、サン
プリング間隔Ｔが延長される毎に、Ｎ個の運動モデルに
よる予測値および予測誤差共分散行列を逐次更新しなが
ら、評価値およびしきい値を算出して、しきい値判定を
行うことができる。すなわち、サンプリング間隔Ｔを、
最小間隔ｔs単位で少しずつ延長しながらしきい値判定
を行うことができる。このため、本実施形態の目標追尾
装置によれば、未来の各時刻における目標追尾精度を予
測しながら、最適なサンプリング間隔Ｔを算出すること
ができ、所望の目標追尾精度を保つことができる。Also, according to the routine shown in FIG. 3, every time the sampling interval T is extended, the prediction value and the prediction error covariance matrix based on the N motion models are sequentially updated while the evaluation value and the threshold value are updated. Can be calculated to make a threshold determination. That is, the sampling interval T is
The threshold value can be determined while gradually extending the minimum interval ts. For this reason, according to the target tracking device of the present embodiment, it is possible to calculate the optimal sampling interval T while predicting the target tracking accuracy at each future time, and maintain the desired target tracking accuracy.

【０１１０】このように構成された実施の形態1の目標
追尾装置によれば、目標追尾精度に合わせて観測間隔を
適応的に制御できるので、機動力の高い目標でも等速直
線運動を行う目標でも一定の水準の追尾精度を保つこと
ができる。According to the target tracking device of the first embodiment configured as described above, the observation interval can be adaptively controlled in accordance with the target tracking accuracy. However, a certain level of tracking accuracy can be maintained.

【０１１１】尚、上記の実施形態においては、観測時刻
算出器１５が、上記ＳＴ１３、ＳＴ１４、およびＳＴ１
９の処理を実行することで、前記請求項１記載の「追尾
精度検出手段」が、また、上記ＳＴ１１、ＳＴ１２、お
よびＳＴ２０の処理を実行することで、前記請求項１記
載の「観測時刻算出手段」が、それぞれ実現されてい
る。Note that, in the above embodiment, the observation time calculator 15 replaces the ST13, ST14, and ST1 with each other.
9, the “tracking accuracy detecting means” according to claim 1 executes the processing in ST11, ST12, and ST20 to execute the “observation time calculation” in claim 1. "Means" are each realized.

【０１１２】また、上記の実施形態においては、観測時
刻算出器１５が、上記ＳＴ２０の処理を行うことにより
前記請求項４記載の「間隔再設定手段」が、ＳＴ１２の
処理を行うことにより前記請求項４記載の「予測更新手
段」が、ＳＴ１３の処理を行うことにより前記請求項４
または５記載の「評価値算出手段」が、ＳＴ１４の処理
を行うことにより請求項５記載の「しきい値設定手段」
が、ＳＴ１９の処理を行うことにより前記請求項４また
は５記載の「しきい値判定手段」が、それぞれ実現され
ている。In the above embodiment, the observation time calculator 15 performs the processing in ST20, and the “interval resetting means” in claim 4 performs the processing in ST12. 5. The “prediction updating means” according to claim 4 performs the processing in ST13 to execute the processing in ST13.
Alternatively, the “evaluation value calculation means” according to claim 5 performs the processing of ST14, thereby “threshold value setting means” according to claim 5.
However, the "threshold value judging means" according to claim 4 or 5 is realized by performing the process of ST19.

【０１１３】実施の形態２．次に、図４および図５を参
照して、本発明の実施の形態２について説明する。図４
は本発明の目標追尾装置の実施の形態２を示すブロック
図である。図４において、１〜１４、１６および１７
は、実施の形態1の場合と同等の構成要素である。Embodiment 2 Next, a second embodiment of the present invention will be described with reference to FIGS. FIG.
FIG. 4 is a block diagram showing Embodiment 2 of the target tracking device of the present invention. In FIG. 4, 1 to 14, 16 and 17
Are the same components as in the first embodiment.

【０１１４】本実施形態の目標追尾装置は、センサ諸元
入力器１８を備えている。センサ諸元入力器１８は、観
測時刻算出器１５に対して目標追尾装置が備えるセンサ
の諸元を入力する。The target tracking device of this embodiment has a sensor specification input device 18. The sensor specification input unit 18 inputs the specification of the sensor included in the target tracking device to the observation time calculator 15.

【０１１５】本実施形態において、観測時刻算出器１５
は、Ｎ個の運動モデルによる信頼度、Ｎ個の運動モデル
による平滑値、およびＮ個の運動モデルによる平滑誤差
に、センサ諸元を加えた入力データに基づいて次回のサ
ンプリングを行う観測時刻を算出する。In the present embodiment, the observation time calculator 15
Represents the observation time at which the next sampling is performed based on input data obtained by adding the sensor data to the reliability of the N motion models, the smoothed value of the N motion models, and the smoothing error of the N motion models. calculate.

【０１１６】本実施形態の目標追尾装置の全体的な動作
は、実施の形態１の装置と同様であり、図２の如く表さ
れる。以下、本実施形態の特徴部である観測時刻算出器
１５の動作を、図５に示すフローチャートを参照して説
明する。観測時刻算出器１５は、図５に示す一連の処理
を実行することで、サンプリング時刻ｔkにおける追尾
精度とセンサ諸元とを考慮に入れて、次の観測時刻ｔk+
1を算出する。ここでは、特に、極座標Ｅ-Ｂｙ面におい
て算出される目標の誤差楕円の面積を評価値とし、か
つ、センサの観測領域の面積から求めたしきい値を使っ
てしきい値判定を行う方法を示す。The overall operation of the target tracking device of the present embodiment is the same as that of the device of the first embodiment, and is shown in FIG. Hereinafter, the operation of the observation time calculator 15 which is a characteristic part of the present embodiment will be described with reference to the flowchart shown in FIG. The observation time calculator 15 executes the series of processing shown in FIG. 5 to take into account the tracking accuracy and the sensor specifications at the sampling time tk, and to calculate the next observation time tk +
Calculate 1. Here, in particular, a method of performing a threshold determination using an area of a target error ellipse calculated on a polar coordinate E-By plane as an evaluation value and using a threshold obtained from an area of an observation region of the sensor. Show.

【０１１７】図５に示すフローチャートにおいて、ＳＴ
１１、ＳＴ１２、およびＳＴ１９〜２１の処理は、実施
の形態１の場合と同様である。図５に示すＳＴ１５の評
価値算出処理、およびＳＴ１６に示すしきい値算出処理
においては、以下の理論に従って評価値およびしきい値
が算出される。In the flowchart shown in FIG.
11, ST12, and ST19 to ST21 are the same as those in the first embodiment. In the evaluation value calculation process in ST15 shown in FIG. 5 and the threshold value calculation process in ST16, the evaluation value and the threshold value are calculated according to the following theory.

【０１１８】まず、時刻ｔk+Tにおいて、レーダより見
た目標角度の真値を表すベクトルθk+Tを、式(5)のよう
に定義する。First, at time tk + T, a vector θk + T representing the true value of the target angle as viewed from the radar is defined as in equation (5).

【０１１９】[0119]

【数１５】 (Equation 15)

【０１２０】時刻ｔk+Tにおける目標角度の予測ベクト
ル（「θチルダk+T」と称す）は、Ｎ個の運動モデルに
よる予測値Ｘk+T(-)を使用し、式(6)で与えられる。The predicted vector of the target angle at time tk + T (referred to as “θ tilde k + T”) is given by equation (6) using predicted values Xk + T (−) by N motion models. Can be

【０１２１】[0121]

【数１６】 (Equation 16)

【０１２２】ただし、次式(7)の関係が成立するものと
する。However, it is assumed that the following equation (7) holds.

【０１２３】[0123]

【数１７】 [Equation 17]

【０１２４】ここで、式(7)に示す[ａr ｂr ｃr]は、セ
ンサのxyz直交座標系における位置ベクトルであり、ま
た、[x y z]は、目標予測値Ｘk+T(-)の位置成分であ
る。Here, [ar br cr] shown in the equation (7) is a position vector of the sensor in the xyz orthogonal coordinate system, and [xyz] is a position component of the target predicted value Xk + T (−). It is.

【０１２５】上記(6)式で表される角度予測ベクトルθ
チルダk+Tの平均値をθk+T^mとすると、角度予測ベクト
ルの予測誤差“θチルダk+T -θk+T^m”の共分散行列は
式(8)のように表せる。尚、式(8)に示すＥ［・］は平均
を表す。The angle prediction vector θ expressed by the above equation (6)
When the average value of the tilde k + T and θk + T ^m, the covariance matrix of the prediction error "theta tilde k + T -θk + T ^m" of angle predicted vector can be expressed as equation (8). Note that E [•] shown in Expression (8) represents an average.

【０１２６】[0126]

【数１８】 (Equation 18)

【０１２７】ただし、Ｆk+Tは次式(9)とする。また、Ｐ
k+T(-)は、時刻ｔk+TにおけるＮ個の運動モデルによる
予測誤差共分散行列である。However, Fk + T is given by the following equation (9). Also, P
k + T (−) is a prediction error covariance matrix based on N motion models at time tk + T.

【０１２８】[0128]

【数１９】 [Equation 19]

【０１２９】次に、誤差楕円の面積を計算する。次式(1
0)に示す変量は、自由度2のカイ2乗分布に従う値であ
る。式(10)の変量とパラメータｄ′とを用いると、条件
式 (11)を生成することができる。式(11)を満たすθチ
ルダk+Tの領域は、極座標系Ｅ-Ｂｙ面内において楕円を
成す。Next, the area of the error ellipse is calculated. The following equation (1
The variate shown in (0) is a value according to a chi-square distribution with two degrees of freedom. Using the variable of the equation (10) and the parameter d ′, the conditional equation (11) can be generated. The region of θ tilde k + T satisfying the expression (11) forms an ellipse in the polar coordinate system E-By plane.

【０１３０】[0130]

【数２０】 (Equation 20)

【０１３１】上記誤差楕円の面積σ_Gは、式(12)により
算出される。本実施形態においては、その値σ_Gが評価
値として用いられる（ＳＴ１５）。The area σ _{G of the} error ellipse is calculated by the equation (12). In the present embodiment, the value σ _G is used as an evaluation value (ST15).

【０１３２】[0132]

【数２１】 (Equation 21)

【０１３３】一方、センサの観測領域の角度幅をφとす
るとき、観測領域のＥ-Ｂｙ面内における面積は、次式
(13)のように定義することができる。本実施形態におい
ては、式(13)に従って演算される値がしきい値σthとし
て用いられる（ＳＴ１６）。On the other hand, when the angle width of the observation region of the sensor is φ, the area of the observation region in the E-By plane is expressed by the following equation.
It can be defined as (13). In the present embodiment, a value calculated according to equation (13) is used as threshold σth (ST16).

【０１３４】[0134]

【数２２】 (Equation 22)

【０１３５】ここで、Ｅチルダk+Tは、時刻ｔk+Tにおけ
る目標位置予測値の仰角成分である。尚、本実施形態に
おいては、式(13)の演算値σthがしきい値として用いら
れているが、しきい値は、これに限定されるものではな
く、パラメータλ２を設定して、λ２・σthをしきい値
としてもよい。Here, E tilde k + T is the elevation component of the target position predicted value at time tk + T. In the present embodiment, the calculated value σth of Expression (13) is used as the threshold value. However, the threshold value is not limited to this, and the parameter λ2 is set to λ2 · σth may be used as the threshold.

【０１３６】上述した方式では、センサ位置やセンサの
観測領域を考慮にいれた追尾精度が評価される。このた
め、本実施形態の目標追尾装置によれば、センサからみ
た追尾精度がよいときはサンプリング間隔を長くし、そ
の精度が悪いときはサンプリング間隔を短くすることが
できる。In the above-described method, tracking accuracy is evaluated in consideration of the sensor position and the observation area of the sensor. Therefore, according to the target tracking device of the present embodiment, the sampling interval can be lengthened when the tracking accuracy as viewed from the sensor is good, and the sampling interval can be shortened when the accuracy is poor.

【０１３７】本発明の実施の形態２によれば、センサ諸
元を入力データとして追加した観測時刻算出器１５を備
えているので、センサと目標との位置関係やセンサの観
測領域を考慮にいれた追尾精度が評価され、その評価結
果に基づいて次のサンプリング時刻が算出される。この
ため、本実施形態の目標追尾装置は、機動力の高い目標
でも、等速直線運動を行う目標でも、センサから見た追
尾精度を一定の水準に保ったまま追尾を行うことができ
る。According to the second embodiment of the present invention, since the observation time calculator 15 in which the sensor data is added as input data is provided, the positional relationship between the sensor and the target and the observation area of the sensor are taken into consideration. The tracking accuracy is evaluated, and the next sampling time is calculated based on the evaluation result. For this reason, the target tracking device of the present embodiment can perform tracking with a high level of mobility or a target that performs linear motion at a constant speed while maintaining the tracking accuracy viewed from the sensor at a constant level.

【０１３８】尚、上記の実施形態においては、観測領域
の角度幅φ、およびセンサ位置などがセンサ諸元に相当
する。In the above embodiment, the angle width φ of the observation area, the sensor position, and the like correspond to the sensor specifications.

【０１３９】また、上記の実施形態においては、観測時
刻算出器１５が、上記ＳＴ１５の処理を行うことにより
前記請求項６記載の「評価値設定手段」が、ＳＴ１６の
処理を行うことにより前記請求項６記載の「しきい値設
定手段」が、ＳＴ１９の処理を行うことにより前記請求
項６記載の「しきい値判定手段」が、それぞれ実現され
ている。In the above embodiment, the observation time calculator 15 performs the processing in ST15, and the “evaluation value setting means” in claim 6 performs the processing in ST16. The "threshold value setting means" according to claim 6 performs the processing of ST19, thereby realizing the "threshold value determination means" according to claim 6.

【０１４０】実施の形態３．次に、図６を参照して、本
発明の実施の形態３について説明する。実施の形態３の
目標追尾装置の構成および全体の動きは実施の形態２と
同等であり、それぞれ図４および図２で表される。Embodiment 3 Next, a third embodiment of the present invention will be described with reference to FIG. The configuration and overall movement of the target tracking device according to the third embodiment are the same as those of the second embodiment, and are shown in FIGS. 4 and 2, respectively.

【０１４１】図６は、実施の形態３における観測時刻算
出器１５において実行される一連の処理のフローチャー
トを示す。ここでは、極座標Ｅ-Ｂｙ面における目標の
誤差楕円の長軸径を評価値とし、かつ、センサの観測領
域の幅(例えば、レーダにおけるビーム幅)から求めたし
きい値を使ってしきい値判定を行う方法を示す。FIG. 6 shows a flowchart of a series of processing executed in observation time calculator 15 in the third embodiment. Here, the major axis diameter of the target error ellipse on the polar coordinate E-By plane is used as the evaluation value, and the threshold value is determined using the threshold value obtained from the width of the sensor observation area (for example, the beam width in radar). The method for making the determination will be described.

【０１４２】図６においてＳＴ１１、ＳＴ１２、および
ＳＴ１９〜２１の処理は、実施の形態２の場合と同等で
ある。図６に示すＳＴ１７の評価値算出処理、およびＳ
Ｔ１８に示すしきい値算出処理においては、以下の方法
に従って評価値およびしきい値が算出される。In FIG. 6, the processes in ST11, ST12, and ST19 to ST21 are the same as those in the second embodiment. The evaluation value calculation process of ST17 shown in FIG.
In the threshold value calculation process shown in T18, the evaluation value and the threshold value are calculated according to the following method.

【０１４３】ＳＴ１７では、先ず、上記(8)式で表され
る行列の逆行列Ａk+T^-1の固有値ｃ１およびｃ２ (ｃ１
≦ ｃ２)が求められる。次に、次式(14)に従って、誤差
楕円の長軸の直径φ_Gが算出される。本実施形態におい
ては、その直径φ_Gが評価値として用いられる。 φ_G＝２√（ｄ′／ｃ１） (14)In ST17, first, the eigenvalues c1 and c2 (c1) of the inverse matrix Ak + T ^-1 of the matrix expressed by the above equation (8)
≤ c2) is required. Next, the diameter φ _G of the major axis of the error ellipse is calculated according to the following equation (14). In the present embodiment, the diameter φ _G is used as an evaluation value. φ _G = 2√ (d '/ c1) (14)

【０１４４】ＳＴ１８では、センサの観測領域の幅がし
きい値φthとされる。センサの観測領域幅とは、例えば
センサとしてレーダを仮定すると、そのレーダのビーム
幅を角度で表したものなどである。本実施形態において
は、観測領域幅φthがしきい値として用いられている
が、しきい値は、これに限定されるものではなく、パラ
メータλ３を設定して、λ３・φthをしきい値としても
よい。In ST18, the width of the observation area of the sensor is set to the threshold value φth. The observation area width of the sensor is, for example, a beam width of the radar represented by an angle, assuming that the radar is a sensor. In the present embodiment, the observation region width φth is used as the threshold, but the threshold is not limited to this, and the parameter λ3 is set, and λ3 · φth is used as the threshold. Is also good.

【０１４５】本発明の実施の形態３によれば、センサ諸
元を入力として追加した観測時刻算出器１５を備えるの
で、実施の形態２と同様に、センサと目標との位置関係
やセンサのビーム幅を考慮にいれた追尾精度を評価し、
その結果に基づいてサンプリング間隔を算出することが
できる。このため、本実施形態の目標追尾装置によれ
ば、機動力の高い目標でも、等速直線運動を行う目標で
も、センサから見た追尾精度を一定の水準に保ったまま
追尾することができる。According to the third embodiment of the present invention, since the observation time calculator 15 having the sensor data added as an input is provided, similarly to the second embodiment, the positional relationship between the sensor and the target and the beam of the sensor are provided. Evaluate the tracking accuracy taking into account the width,
The sampling interval can be calculated based on the result. For this reason, according to the target tracking device of the present embodiment, it is possible to track a target having high mobility or a target performing linear motion at a constant speed while keeping the tracking accuracy as seen from the sensor at a constant level.

【０１４６】尚、上記の実施形態においては、観測時刻
算出器１５が、上記ＳＴ１７の処理を行うことにより前
記請求項７記載の「評価値設定手段」が、ＳＴ１８の処
理を行うことにより前記請求項７記載の「しきい値設定
手段」が、ＳＴ１９の処理を行うことにより前記請求項
７記載の「しきい値判定手段」が、それぞれ実現されて
いる。In the above embodiment, the observation time calculator 15 performs the processing in ST17, and the “evaluation value setting means” in claim 7 performs the processing in ST18. The "threshold value setting means" according to the seventh aspect performs the processing of ST19, thereby realizing the "threshold value determining means" according to the seventh aspect.

【０１４７】[0147]

【発明の効果】この発明は以上説明したように構成され
ているので、以下に示すような効果を奏する。請求項１
または２記載の発明によれば、目標追尾精度に基づいて
サンプリング間隔を適応的に決定することができるた
め、機動力が高く追尾精度が劣化しやすい目標の場合は
観測間隔を短くし、等速直線運動を行う目標の場合は観
測間隔を長くすることができる。これにより、如何なる
目標に対しても追尾精度を一定の水準に保つことができ
る。Since the present invention is configured as described above, it has the following effects. Claim 1
According to the invention described in (2), the sampling interval can be adaptively determined based on the target tracking accuracy. Therefore, in the case of a target having high mobility and easily deteriorating the tracking accuracy, the observation interval is shortened, and In the case of a target performing linear motion, the observation interval can be lengthened. As a result, the tracking accuracy can be maintained at a constant level for any target.

【０１４８】請求項３記載の発明によれば、サンプリン
グ間隔を、センサ諸元をも考慮して適応的に決定するこ
とができるため、如何なるセンサで追尾を行っても、そ
のセンサの性能に合わせたサンプリング間隔を決定する
ことができる。従って、本発明の目標追尾装置によれ
ば、センサの特性や目標の特性に関わらず、常に良好な
追尾精度を得ることができる。According to the third aspect of the present invention, since the sampling interval can be determined adaptively in consideration of the sensor specifications, the tracking can be performed in accordance with the performance of the sensor regardless of which sensor is used. Sampling interval can be determined. Therefore, according to the target tracking device of the present invention, good tracking accuracy can always be obtained regardless of the characteristics of the sensor and the characteristics of the target.

【０１４９】請求項４記載の発明によれば、サンプリン
グ間隔を、最小のサンプリング間隔単位で延長しなが
ら、Ｎ個の運動モデルによる予測値および予測誤差を算
出し、更に、それらが更新される毎に追尾精度の状態を
判断することができる。そして、その判断に基づいて最
適なサンプリング間隔を設定し、次回の観測時刻を最適
な時刻に設定することができる。従って、本発明によれ
ば、所望の追尾精度を安定に保持することができる。According to the fourth aspect of the present invention, the prediction value and the prediction error by the N motion models are calculated while extending the sampling interval by the minimum sampling interval unit. The state of the tracking accuracy can be determined. Then, an optimal sampling interval can be set based on the determination, and the next observation time can be set to the optimal time. Therefore, according to the present invention, a desired tracking accuracy can be stably maintained.

【０１５０】請求項５記載の発明によれば、Ｎ個の運動
モデルによる予測誤差共分散行列より求めた誤差楕円体
の体積を評価値とし、その評価値と、観測誤差共分散行
列より求めたしきい値とを比較することでしきい値判定
が行われる。追尾目標が如何なるものであっても、その
誤差楕円体の体積には、その目標に対する追尾精度が反
映される。従って、本発明によれば、追尾目標の特性に
関わらず、目標追尾精度を安定に一定の水準に保つこと
ができる。According to the invention of claim 5, the volume of the error ellipsoid obtained from the prediction error covariance matrix by the N motion models is used as the evaluation value, and the volume is obtained from the evaluation value and the observation error covariance matrix. The threshold value is determined by comparing the threshold value. Whatever the tracking target is, the volume of the error ellipsoid reflects the tracking accuracy for the target. Therefore, according to the present invention, the target tracking accuracy can be stably maintained at a constant level regardless of the characteristics of the tracking target.

【０１５１】請求項６記載の発明によれば、Ｎ個の運動
モデルによる予測誤差共分散行列より求めた誤差楕円体
の極座標面での面積が評価値とされると共に、センサ諸
元に含まれる極座標面内でのセンサの観測領域の面積に
基づいてしきい値が設定される。このため、本発明によ
れば、センサの特性に応じたサンプリング間隔を設定す
ることができ、センサの特性に関わらず、目標追尾精度
を一定の水準に保つことができる。According to the invention of claim 6, the area on the polar coordinate plane of the error ellipsoid obtained from the prediction error covariance matrix based on the N motion models is used as the evaluation value and included in the sensor specifications. A threshold value is set based on the area of the observation area of the sensor in the polar coordinate plane. Therefore, according to the present invention, the sampling interval can be set according to the characteristics of the sensor, and the target tracking accuracy can be maintained at a constant level regardless of the characteristics of the sensor.

【０１５２】請求項７記載の発明によれば、Ｎ個の運動
モデルによる予測誤差共分散行列より求めた誤差楕円体
の極座標面での長軸直径が評価値とされると共に、セン
サ諸元に含まれる極座標面内でのセンサの観測領域の幅
に基づいてしきい値が設定される。このため、本発明に
よれば、センサの特性に応じたサンプリング間隔を設定
することができ、センサの特性に関わらず、目標追尾精
度を一定の水準に保つことができる。According to the seventh aspect of the present invention, the major axis diameter on the polar coordinate plane of the error ellipsoid obtained from the prediction error covariance matrix based on the N motion models is used as the evaluation value, and the sensor specifications are A threshold is set based on the width of the sensor observation area in the included polar coordinate plane. Therefore, according to the present invention, the sampling interval can be set according to the characteristics of the sensor, and the target tracking accuracy can be maintained at a constant level regardless of the characteristics of the sensor.

【図面の簡単な説明】[Brief description of the drawings]

【図１】 本発明の実施の形態1に係わる目標追尾装置
のブロック図である。FIG. 1 is a block diagram of a target tracking device according to a first embodiment of the present invention.

【図２】 本発明の実施の形態１、２または３に係わる
目標追尾装置の動作を説明するためのフローチャートで
ある。FIG. 2 is a flowchart illustrating an operation of the target tracking device according to the first, second, or third embodiment of the present invention.

【図３】 本発明の実施の形態１の観測時刻算出器の動
作を説明するためのフローチャートである。FIG. 3 is a flowchart for explaining the operation of the observation time calculator according to the first embodiment of the present invention.

【図４】 本発明の実施の形態２または３に係わる目標
追尾装置のブロック図である。FIG. 4 is a block diagram of a target tracking device according to Embodiment 2 or 3 of the present invention.

【図５】 本発明の実施の形態２の観測時刻算出器の動
作を説明するフローチャートである。FIG. 5 is a flowchart illustrating an operation of an observation time calculator according to the second embodiment of the present invention.

【図６】 本発明の実施の形態３の観測時刻算出器の動
作を説明するフローチャートである。FIG. 6 is a flowchart illustrating an operation of an observation time calculator according to the third embodiment of the present invention.

【図７】 従来の目標追尾装置のブロック図である。FIG. 7 is a block diagram of a conventional target tracking device.

【図８】 従来の目標追尾装置の動作を説明するための
フローチャートである。FIG. 8 is a flowchart for explaining the operation of a conventional target tracking device.

【図９】 定数加速度のベクトルの一例である。FIG. 9 is an example of a constant acceleration vector.

【符号の説明】[Explanation of symbols]

１ 目標観測装置、 ２ Ｎ個の運動モデルによる信
頼度算出器、 ３Ｎ個の運動モデルによる平滑器、
４，７，８，１３，１４，１７ 遅延回路、 ５
Ｎ個の運動モデルによる予測器、 ６ 運動モデルご
との予測器、９ Ｎ個の運動モデルによる平滑誤差評価
器、 １０ 運動モデルごとの予測誤差評価器、
１１ Ｎ個の運動モデルによる予測誤差評価器、 １
２ゲイン行列算出器、 １５ 観測時刻算出器、
１６ 運動モデル間推移確率算出器、 １８ センサ
諸元入力器。1 target observation device, 2 reliability calculator using N motion models, 3N smoother using motion models,
4, 7, 8, 13, 14, 17 delay circuit, 5
A predictor with N motion models, 6 a predictor for each motion model, 9 a smooth error estimator with N motion models, 10 a prediction error estimator for each motion model,
11 A prediction error evaluator using N motion models, 1
2 gain matrix calculator, 15 observation time calculator,
16 Calculator for transition probability between motion models, 18 Sensor specification input device.

───────────────────────────────────────────────────── フロントページの続き (72)発明者 辻道 信吾 東京都千代田区丸の内二丁目２番３号 三 菱電機株式会社内 (72)発明者 小菅 義夫 東京都千代田区丸の内二丁目２番３号 三 菱電機株式会社内 Ｆターム(参考） 5J070 AC01 AK22 BB06  ──────────────────────────────────────────────────続 き Continuing from the front page (72) Inventor Shingo Tsujimichi 2-3-2 Marunouchi, Chiyoda-ku, Tokyo Inside Mitsubishi Electric Corporation (72) Inventor Yoshio Kosuge 2-3-2 Marunouchi, Chiyoda-ku, Tokyo F term in Mitsubishi Electric Corporation (reference) 5J070 AC01 AK22 BB06

Claims (7)

【特許請求の範囲】[Claims] 【請求項１】 目標観測時刻と目標予測位置とをセンサ
に指示すると共に、センサによって観測される目標位置
の観測情報を取得する目標観測装置を備える目標追尾装
置であって、 目標追尾精度を検出する追尾精度検出手段と、 前記目標追尾精度に基づいて前記観測情報のサンプリン
グ間隔を決定すると共に、そのサンプリング間隔を用い
て、次回の観測時刻を算出する観測時刻算出手段と、 を備えることを特徴とする目標追尾装置。1. A target tracking device comprising a target observation device for instructing a sensor of a target observation time and a target prediction position and acquiring observation information of a target position observed by the sensor, wherein the target tracking accuracy is detected. Tracking accuracy detecting means for determining the sampling interval of the observation information based on the target tracking accuracy, and using the sampling interval, an observation time calculating means for calculating the next observation time. Target tracking device. 【請求項２】 前記追尾精度検出手段は、 目標位置観測情報、運動モデルごとの予測値、運動モデ
ルごとの予測誤差、運動モデル間推移確率、および１サ
ンプリング前のＮ個の運動モデルによる信頼度を基に、
Ｎ個の運動モデルによる信頼度を算出するＮ個の運動モ
デルによる信頼度算出器と、 目標位置観測情報、Ｎ個の運動モデルによる信頼度、ゲ
イン行列、および１サンプリング前のＮ個の運動モデル
による平滑値を基に、Ｎ個の運動モデルによる平滑値を
算出するＮ個の運動モデルによる平滑器と、 Ｎ個の運動モデルによる平滑値、Ｎ個の運動モデルによ
る信頼度、１サンプリング後の観測時刻、および運動モ
デル間推移確率を基に、Ｎ個の運動モデルによる予測値
を算出するＮ個の運動モデルによる予測器と、 Ｎ個の運動モデルによる平滑値、および１サンプリング
後の観測時刻を基に、運動モデルごとの予測値を算出す
る運動モデルごとの予測器と、 Ｎ個の運動モデルによる信頼度、運動モデルごとの予測
誤差、およびゲイン行列を基に、Ｎ個の運動モデルによ
る平滑誤差を算出するＮ個の運動モデルによる平滑誤差
評価器と、 Ｎ個の運動モデルによる平滑誤差および１サンプリング
後の観測時刻を基に、運動モデルごとの予測誤差を算出
する運動モデルごとの予測誤差評価器と、 運動モデルごとの予測誤差を基に、ゲイン行列を算出す
るゲイン行列算出器と、 運動モデルごとの予測誤差、Ｎ個の運動モデルによる信
頼度、１サンプリング後の観測時刻および運動モデル間
推移確率を基に、Ｎ個の運動モデルによる予測誤差を算
出するＮ個の運動モデルによる予測誤差評価器と、 現在の観測時刻と次の観測時刻との間における運動モデ
ル間の推移確率を算出する運動モデル間推移確率算出器
と、を備え、 Ｎ個の運動モデルによる予測値と、Ｎ個の運動モデルに
よる予測誤差とに基づいて、目標追尾精度を求めること
を特徴とする請求項１記載の目標追尾装置。2. The tracking accuracy detecting means includes: target position observation information, a predicted value for each motion model, a prediction error for each motion model, a transition probability between motion models, and reliability based on N motion models before one sampling. Based on
A reliability calculator based on N motion models for calculating the reliability based on the N motion models; target position observation information; reliability based on the N motion models; a gain matrix; and N motion models one sampling before A smoother based on N motion models that calculates a smoothed value based on the N motion models based on the smoothed value based on A predictor based on N motion models that calculates a predicted value based on the N motion models based on the observation times and transition probabilities between the motion models, a smoothed value based on the N motion models, and an observation time after one sampling And a predictor for each motion model that calculates a predicted value for each motion model based on the reliability of the N motion models, a prediction error for each motion model, and a gain matrix. , A smoothing error estimator based on N motion models for calculating a smoothing error based on N motion models, and a prediction error for each motion model based on the smoothing error based on the N motion models and the observation time after one sampling. A prediction error evaluator for each motion model to be calculated; a gain matrix calculator for calculating a gain matrix based on the prediction error for each motion model; a prediction error for each motion model; reliability of N motion models; A prediction error evaluator based on the N motion models that calculates a prediction error based on the N motion models based on the observation time after sampling and the transition probability between the motion models; A transition probability calculator between exercise models for calculating transition probabilities between exercise models in, a prediction value based on N exercise models and a prediction error based on N exercise models Based on the target tracking apparatus according to claim 1, wherein the obtaining the target tracking accuracy. 【請求項３】 前記追尾精度検出手段は、 センサの状態を表すセンサ諸元を読み込むセンサ諸元入
力器を備えると共に、 Ｎ個の運動モデルによる予測値と、Ｎ個の運動モデルに
よる予測誤差と、センサ諸元とに基づいて、目標追尾精
度を求めることを特徴とする請求項２記載の目標追尾装
置。3. The tracking accuracy detecting means includes a sensor specification input device for reading a sensor specification indicating a state of a sensor, and a prediction value based on N motion models, a prediction error based on N motion models, and 3. The target tracking device according to claim 2, wherein the target tracking accuracy is obtained based on the sensor specifications. 【請求項４】 前記観測時刻算出手段は、 サンプリング間隔を最小サンプリング間隔ごとに延長さ
せる間隔再設定手段と、 サンプリング間隔が延長される毎に、Ｎ個の運動モデル
による予測値と、Ｎ個の運動モデルによる予測誤差とを
更新する予測更新手段と、を備え、 前記目標追尾精度算出手段は、 前記Ｎ個の運動モデルによる予測値、および前記Ｎ個の
運動モデルによる予測誤差が更新される毎に、目標追尾
精度の評価値を算出する評価値算出手段と、 前記評価値と所定のしきい値とを比較するしきい値判定
手段と、を備え、 前記観測時刻算出手段は、更に、前記しきい値判定手段
によって前記評価値と前記しきい値の大小関係の逆転が
判別された際のサンプリング間隔を、次のサンプリング
間隔とすることを特徴とする請求項２または３記載の目
標追尾装置。4. An observation time calculating means, comprising: interval resetting means for extending a sampling interval for each minimum sampling interval; each time the sampling interval is extended, a prediction value based on N motion models; A prediction updating unit that updates a prediction error based on the motion model, wherein the target tracking accuracy calculating unit updates a prediction value based on the N motion models and a prediction error based on the N motion models. An evaluation value calculation unit that calculates an evaluation value of the target tracking accuracy; and a threshold value determination unit that compares the evaluation value with a predetermined threshold value. The observation time calculation unit further includes: 3. The sampling interval when the threshold value judging means judges that the magnitude relationship between the evaluation value and the threshold value is reversed is set as the next sampling interval. Is a target tracking device according to 3. 【請求項５】 前記追尾精度算出手段は、 Ｎ個の運動モデルによる予測誤差共分散行列に基づいて
演算される誤差楕円体の体積を評価値とする評価値設定
手段と、 観測誤差共分散行列に基づいて演算される誤差楕円体の
体積をしきい値とするしきい値設定手段と、 前記評価値と前記しきい値とを比較することにより追尾
精度の状態を判断するしきい値判定手段と、 を備えることを特徴とする請求項２記載の目標追尾装
置。5. The tracking accuracy calculating means, comprising: an evaluation value setting means for evaluating a volume of an error ellipsoid calculated based on a prediction error covariance matrix based on N motion models; and an observation error covariance matrix. Threshold value setting means that sets the volume of the error ellipsoid calculated based on the threshold value, and threshold value determination means that determines the state of tracking accuracy by comparing the evaluation value with the threshold value The target tracking device according to claim 2, comprising: 【請求項６】 前記センサ諸元は、極座標面におけるセ
ンサの観測領域の面積を含み、 前記追尾精度算出手段は、 Ｎ個の運動モデルによる予測誤差共分散行列に基づいて
演算される誤差楕円体の極座標面での面積を評価値とす
る評価値設定手段と、 前記センサ諸元に含まれる観測領域の面積に基づいてし
きい値を設定するしきい値設定手段と、 前記評価値と前記しきい値とを比較することにより追尾
精度の状態を判断するしきい値判定手段と、 を備えることを特徴とする請求項３記載の目標追尾装
置。6. The sensor specification includes an area of a sensor observation area on a polar coordinate plane, and the tracking accuracy calculation means calculates an error ellipsoid calculated based on a prediction error covariance matrix based on N motion models. Evaluation value setting means for setting an area on a polar coordinate plane as an evaluation value; threshold value setting means for setting a threshold value based on an area of an observation region included in the sensor specifications; and The target tracking device according to claim 3, further comprising: threshold value determination means for determining a state of tracking accuracy by comparing the threshold value with a threshold value. 【請求項７】 前記センサ諸元は、極座標面におけるセ
ンサの観測領域の幅を含み、 前記追尾精度算出手段は、 Ｎ個の運動モデルによる予測誤差共分散行列に基づいて
演算される誤差楕円体の極座標面での長軸直径を評価値
とする評価値設定手段と、 前記センサ諸元に含まれる観測領域の幅に基づいてしき
い値を設定するしきい値設定手段と、 前記評価値と前記しきい値とを比較することにより追尾
精度の状態を判断するしきい値判定手段と、 を備えることを特徴とする請求項３記載の目標追尾装
置。7. The sensor specification includes a width of a sensor observation area in a polar coordinate plane, and the tracking accuracy calculation means calculates an error ellipsoid calculated based on a prediction error covariance matrix based on N motion models. Evaluation value setting means for evaluating a major axis diameter in a polar coordinate plane as an evaluation value, threshold value setting means for setting a threshold value based on a width of an observation region included in the sensor specifications, and the evaluation value The target tracking device according to claim 3, further comprising: a threshold value determination unit configured to determine a state of tracking accuracy by comparing the threshold value with the threshold value.